随着工业时代的快速发展,人们对工厂内的生产效率和生产安全有着越来越高的需求。为了对各生产环节的效率进行评估,同时为了避免意外伤害事故的发生,视频监控和智能分析技术发挥着非常重要的作用。但现有的传统监控系统仍有一些不足,首先传统的视频监控大多是通过人工的方法对各生产环节的人员行为进行判断,不够准确;而且传统的视频监控技术大多是离线运行,无法对人员行为进行精准实时的判断与危险预警。本文针对这两个主要问题,从三个方面入手,对工厂生产过程中的人员行为进行研究与分析。首先提出基于度量学习的身份识别算法。该算法使用残差网络构建数据预测模型,利用该模型从图像中提取人员的特征信息,再通过计算欧式距离,对特征进行比对,以识别人员身份。该算法的好处在于,能够从特征提取和欧式距离判定两个部分来提高识别精度并增强系统的客制化能力。相较于使用多目标追踪算法识别人员身份的一般思路,此算法还能够跨摄像头追踪,在一定程度上避免了身份丢失和身份跳变的问题。最终还分别在Market1501数据集和GENER-Market数据集下,验证了所提身份识别算法的实际可行性。其次,针对工厂内人员行为,提出融合卷积块注意力机制模块（Convolutional Block Attention Module,CBAM）的SlowFast行为识别算法。该算法使用两个平行的卷积神经网络对同一视频段进行处理,分别提取空间特征信息与行为特征信息,再通过侧向连接的方式融合特征,以此识别人员行为。相较于传统行为识别算法,该机制有效地减少了网络的训练时间和推理时间。为了能进一步提高准确性,还使用知识蒸馏的方法,用运动仿真流替代SlowFast慢通道来对网络进行改进,经过在自定义数据集和UCF-101数据集上的对比实验发现,改进后的SlowFast网络与其他方法相比,整体复杂度更低,预测准确率更高。除此之外,工厂内的人员行为往往会渗透着多人因素,因此仅针对单人的行为进行分析是不够的。针对此问题,本文还设计了一种融合了身份检测与行为识别的交互软件。该软件在考虑场景因素变化的情况下,设定了多人行为准则规范、建立了多人行为识别系统,并将深度学习任务转变为层次分析任务。该系统设计了“分散识别,集中分析”结构,与传统的完全基于深度学习的行为识别算法相比,该系统具有一定的灵活性,有更好的检测效果。