随着云计算、大数据和人工智能等技术的出现,这些新技术对工业生产的模式产生了巨大的影响。人员的活动作为工业生产过程中的重要影响因素,具有很高的自主性和不确定性,因此围绕人员位置信息、身份信息和行为信息的数字孪生模型构建已经成为传统工厂管理中进行智能化改造的关键。本论文以工厂监控视频作为数据驱动,结合现有的深度学习技术和工厂管理的需求,提出了工业监控中人员脸部识别与行为预警的系统设计方案。本文首先从硬件和算法层面着重解决了工业监控中数据源质量问题。在硬件层面上,设计了监控设备分辨率选择、镜头选择、安装点位设计、补光措施等方案。在图像算法层面,针对监控视频噪声问题,研究并验证了 Lucy-Richard算法的去噪效果。针对监控图像低照度问题,本文结合直方图均衡算法与MSRCR算法的优点,提出了一种参数自适应的改进融合算法,该算法有效的提高了待增强图像的质量。其次,本文设计了系统人脸识别与行为预警的相关算法,在人脸检测模块,针对MTCNN人脸检测网络中影响计算效率的因素进行了分析,结合监控视频中视频帧之间存在关联的特性,提出了一种结合卡尔曼滤波改进的K-MTCNN人脸检测算法,通过在相关的视频上进行测试,该算法相比于原算法,在精度损失不大的情况下检测实时性有了显著提高。在人脸识别模块,使用Facenet算法提取人脸特征,提出了一套人脸识别的算法解决方案。在行为预警模块,针对工厂特定场景,总结了工厂中行为特征较为明显的几个行为,结合YOLOV3目标检测算法,从工人数量检测、区域入侵、安全帽检测三个方面给出了相关的预警算法设计。在文章的最后,本文设计了整个系统的架构方案,并且对数据存储和接口规范进行了设计。