随着社会经济的迅速发展,石油能源的需求越来越大,开采量逐渐上升,但是安全问题制约了油田开发力度。现阶段的违规行为识别主要依靠人工巡检,工作强度大且效率不高。同时,油田各井场的摄像头数量多、高度较高、距离较远,因此,目标的尺寸较小,检测难度大,检测结果不稳定。为了实现油田视频监控的智能化,本文进行了以下研究:（1）提出了基于设备检测的油田施工场景识别方法。使用K-means算法对设备尺寸进行聚类分析,得到了9个先验框尺寸。使用调整后的先验框对darknet-53网络进行了改进,使其能更加快速且有效地识别油田设备。根据检测到的设备对施工场景进行分类,获得了91.38%的准确率。（2）提出了基于姿态估计的接打手机识别方法。首先对比了三种人体骨架关键点获取方法在油田监控环境的应用效果。然后使用Alpha Pose方法获取骨架关键点,并根据检测到的不同关键点组合,分析了对应的姿态估计方法。为了减少了不稳定结果,实现了基于相邻帧之间边界框相交比例的行人跟踪算法。使用油田监控视频进行测试,获得了82.04%的准确率。（3）提出了基于属性识别的劳保用品穿戴检测方法。首先基于改进的Res Net网络,解决了行人上衣颜色、下衣颜色、是否戴帽子三种标签的分类问题。然后结合Martket-1501、PETA数据集和油田工作现场图片,构建了样本平衡的属性识别数据集,用于网络模型训练。实验结果表明,各属性的识别准确率都在94%以上。最后加入了行人跟踪来累积识别结果,并加入了信息熵判定来减少不稳定结果,劳保用品穿戴检测获得了86.19%的准确率。油田施工场景识别和违规行为识别方法的研究与应用,充分发挥了监控系统的实时性和主动性,为油田安全生产和智能视频监控提供有力支持。