通过采集铁路现场的视频图像数据，制作数据集训练深度学习算法，然后使用四种目标检测算法分别对采集的铁路视频图像数据进行处理，测试算法在铁路场景下用于周界入侵检测的效果。

针 对 传 统 的 监控 方 式 对 Docker 容 器 信 息 监 控 不 全 面 、易 产 生 监 控 黑 洞 等 问 题 ，提 出 一 种 针 对 OpenStack 云 平 台 下 的 Docker容 器 安 全 监 测 方 法 ， 该 方 法 针 对 性 强 ， 资 源 占 用 率 小 ， 除 了 实 现 传 统 监 测 功 能 外 ， 通 过 采 用 Logistic -ARMA预 警 模 型 和 BERT 序 列 标 注 ， 还 可 以 实 现 对 DoS 攻 击 、 容 器 逃 逸 等 恶 意 攻 击 的 有 效 监 测 ， 且 根 据 容 器 规模 不 同 可 实 现 自 定 义 的 预 警 功 能 。 经 过 实 验 验 证 ， 该 方 法 在 大 规 模 容 器 网 络 中 威 胁 预 测 准 确 率 可 达 85 %以 上 。

针对铁路周界环境，确定了检测的灾害数据类型，经过数据搜集、数据 标注、数据增广等操作构建了灾害数据集。通过对基于深度学习的目标检测算法进 行研究，选择三种目前较为主流的深度学习目标检测算法：YOLOv3、Faster R-CNN 和 SSD，在服务器上搭建部署了这三种算法模型。通过使用同一灾害数据集分别 对进行基本调参的三种算法模型进行训练，观察训练过程并使用同一测试集和指 标对比训练后模型的检测效果，采用表现效果最好的算法作为本文自然灾害检测 的算法框架并进行了进一步的模型优化。