针对现有井下钻杆数量统计方式精度较低、受环境变化影响大等问题，结合卷积神经网络、信号滤波等技术，提出了一种基于改进ResNet网络的井下钻杆计数方法。根据视频图像中卸杆动作与非卸杆动作的差异，采用ResNet〖HT5,6”〗-〖HT5〗50网络模型对样本集进行分类训练，判断视频中每一帧图像是否包含卸杆动作；结合线性学习率预热和基于Logistic曲线的学习率衰减策略进行学习率更新，以提高模型分类准确率；通过积分法对视频分类置信度进行滤波，并统计置信度曲线下降沿数量，实现钻杆计数。实验结果表明，预热+衰减的学习率更新策略能够有效提高图像分类模型的分类精度，模型分类检测准确率为89%。实际应用结果表明，基于改进ResNet网络的井下钻杆计数方法可以高效识别视频中的卸杆图像，平均钻杆计数精度为97%，满足实际应用需求。