随着国家建筑行业的快速发展,施工场地的安全监管力度也逐渐加大。目前,传统视频监控只能提供视频的画面显示、传输、捕获、保存等功能,内容的分析则需要人工实现,存在成本高,工作量大且漏检率高等问题。因此,利用智能视频分析技术提高建筑工地安全监管的效率和精度,成为了一个广泛研究的课题。为了满足建筑工地中施工建设和安全生产的需要,构建了以智能视频分析技术为支撑的周界防范系统,包括周界入侵检测和安全帽佩戴检测两个模块。在警戒范围内,该系统能够对行人入侵状态及作业人员安全帽佩戴情况进行检测,并及时生成报警信息,以供监管人员及时处理,提高安全生产及工作效率。因此,本文的主要工作和创新点有:（1）针对目前建筑工地场景相关数据集缺乏的问题,采集了30个不同角度的视频序列用于运动目标算法的训练及调试。（2）针对传统入侵检测方法容易受天气、光照变化、相机抖动、目标尺度变化大等因素影响而导致模型误检率高的问题,使用基于神经网络的运动目标检测器在视频序列上进行训练,F-Measure指标达到了90.76%。同时,针对目前分类器模型参数量大,训练时间长的问题,搭建了一个简单且有效的分类器,在标准行人数据集Daimaler上进行训练,测试准确率提高了1.82%,参数量降低到原来的1/2。（3）针对安全帽样本数据集偏少而导致网络检测精度较低的问题,提出基于场景增强的样本扩充算法,并结合YOLO v4网络模型进行安全帽佩戴检测。实验显示,该安全帽检测模型在Helmet Wear数据集上的检测精度提升了6.39%,为解决其他领域目标检测训练数据不足的问题提供了重要的借鉴意义。（4）针对FgSegNet＿v2网络只有在测试集和训练集属于同一场景时才能表现良好的问题,提出了一种循环迭代调试方法,即使用分割网络辅助Fg Seg Net＿v2在新场景下的检测,提高系统对新场景的适应性。