随着我国电力行业技术水平的飞速发展,对变电站安全性的要求也越来越高。在实际的生产运行中,变电站的安全防护是电网公司管理措施的重中之重。变电站在电网运行中承担了电源以及传输的使命,当变电站因为安全问题停运时,会给人民的生命安全和财产安全带来不可预知的风险。变电站安全问题中,很大一部分是由人类的不规范动作带来的,例如无关人员跨越变电站围墙、工作人员在现场不按安全规定操作等。现有的变电站监控系统都是将摄像头拍出的视频传给安全负责人员,由人脑判断人体动作是否会带来安全风险。这种方式浪费了人力物力,因此一个能够自动分析人体动作行为的变电站智能监控系统是十分必要的。变电站智能监控系统的原理基于人体行为识别算法。人体行为识别算法是计算机视觉领域中的重要课题。人体行为识别算法在生活中被广泛运用在抢险救灾、人机互联、医疗与体育研究以及犯罪行为预警等。人体行为识别算法大致分为两类,一类为基于空间特征提取与SVM分类机的经典识别算法,另一类为基于深度神经网络的双流网络算法。经典识别算法的人体行为识别分为三个阶段,分别为:目标分割阶段、特征提取阶段与分类识别阶段。在目标分割阶段本文阐述了背景建模法的基本原理并对图像进行形态学滤波处理。特征提取阶段,本文提取的特征为HOG特征,HOG特征是计算机视觉中一种描述目标特征比较常见的方法。最后,将HOG特征输入到SVM分类器中。双流网络算法能够比较好的从复杂场景下提取时空特征。本文运用了PCCNN与BiLSTM的融合网络模型来对变电站中的人体进行识别。本文分别对两类不同人体识别算法在软件上进行功能实现,对比两类算法在识别变电站人体运动目标时候的识别准确率与计算效率,进行方案比选,选出更优的计算方案。在实现人体行为识别算法后对于危险的人体动作进行预警。在实现变电站智能监控的基本算法之后,将变电站智能监控系统集成到变电站二次设备中,在硬件上实现变电站智能监控功能。