هدف اصلی سیستم‌های عدالت کیفری، حفظ امنیت عمومی و محافظت از جامعه در برابر جرم و جنایت است. تشخیص جرم به مقامات ذیصلاح اجازه می‌دهد تا مجرمان را شناسایی و دستگیر کنند و از ارتکاب جرایم بیشتر توسط آنها جلوگیری نمایند. در عصر حاضر، هوش مصنوعی به طور فزاینده‌ای در زمینه‌های مختلف، از جمله سیستم‌های عدالت کیفری، به کار گرفته می‌شود. مدل‌های عمیق پتانسیل قابل‌توجهی برای ارتقای عملکرد سیستم‌های تشخیص جرم را دارند. این مقاله به بررسی کاربرد مدل‌های عمیق در پیشگیری و کشف جرم می‌پردازد. در این مقاله یک سیستم نظارت بر جرایم بلادرنگ با استفاده از تکنیک های یادگیری عمیق مبتنی‌بر CNN، RNN، و VGG16 بررسی می‌شوند. به منظور تشخیص نوع رفتار مجرمانه محیطی، از مجموعه داده UCF مبتنی‌بر تصاویر 13 کلاس فعالیت مجرمانه مختلف استفاده شده است. نتایج شبیه‌سازی‌ها با معیارهای مختلف نشان می‌دهد که مدل عمیق طراخی‌شده مبتنی‌بر VGG16 در ترکیب با یادگیری انتقالی می‌تواند به طور موثرتری به منظور تشخیص نوع فعالیت‌های مجرمانه مورد استفاده قرار گیرد. توانایی چشمگیر این مدل در تشخیص با رسیدن به دقت 76/86%، گامی بلند در جهت جایگزینی روش‌های سنتی در این حوزه پردازشی به شمار می‌رود. این مدل نوظهور، پتانسیل تبدیل شدن به ابزاری مکمل و ارزشمند در کنار روش‌های موجود را دارا است.
