煤矿井下海量的监控视频通过以太网传输至云计算中心进行集中处理，存在高延迟、高成本、高网络带宽占用等问题。针对上述问题，以深度可分离卷积为核心构建了轻量化卷积神经网络（CNN）模型，并通过引入残差结构对轻量化CNN模型进行优化，以提升模型对图像的特征提取能力。针对煤矿井下复杂的光照环境导致监控视频图像对比度低、影响模型识别准确率的问题，采用限制对比度直方图均衡化（CLAHE）算法提高图像的亮度和对比度，以提升模型的识别效果。将轻量化CNN模型经STM32Cube AI压缩后部署在嵌入式平台上，设计了基于轻量化CNN模型的视频监控终端，对煤矿井下监控视频在本地进行实时智能处理，实现井下违章行为实时识别和报警。实验结果表明，通过引入残差结构对轻量化CNN模型进行优化，以及采用CLAHE算法进行图像增强后，模型对煤矿井下各种违章行为的识别准确率能够达到95%以上，提升了对违章行为响应的实时性。