随着城市化快速发展，越来越多的人群现象出现在公共场所，为更好的对公共区域进行管理，人群异常事件检测一直受到社会和政府的重点关注。然而，现有的研究的人群异常事件检测方法大部分采用的都是有监督的学习方法，忽略了人群场景的不可预知性，依然存在特征数据非结构化、非在线和自适应学习能力较弱等问题。因此，选取更有效的人群场景特征提取和人群场景建模方法，实现实时的无监督学习和预测学习，具有重要意义。　　本文提出了一种基于LSTM-RNN局部建模的人群异常事件检测与定位方法。该方法首先通过对人群场景进行网格划分，并提取各网格的多尺度光流统计图和向心特征，作为局部的人群动态特征表示；然后，采用基于长短时间记忆的递归神经网络对人群场景进行局部细粒度建模和预测，同时采用无监督的学习方式对模型进行训练；最后，基于重构误差，对异常进行判定。上述方法利用LSTM-RNN模型实现了对人群场景在时间和空间维度上的统一建模，可挖掘人群正常模式在时间和空间维度上的各种相互关系；采用无监督学习方法减少了对人工标注的依赖，可提高模型的鲁棒性和在线自适应学习能力；在进行局部细粒度建模过程中，以邻域的“向心特征”作为局部人群动态特征的补充，不但考虑了各相邻局部之间的相互影响且在一定程度上降低了模型的复杂度和计算量；基于重构误差的异常判定，涵盖了人群场景的不可预知性，利于提升人群异常事件检测的健壮性。　　本文通过在Avenue数据集上验证了模型预测结果在进行重构误差后异常判断的有效性，并通过在UMN、UCSD数据集上验证了全局异常检测和异常定位效果，均优于一些传统的人群异常事件检测方法。　　最后，本文基于上述提出的人群异常事件检测方法，提出了一个基于LSTM-RNN分布式的在线人群异常事件检测与定位系统构建方案，并给出了系统架构、系统在线学习更新策略和系统原型。该方案将局部细粒度建模与模型分布式训练的思想相结合，并制定了误判结果的反馈学习机制，为在线人群异常事件检测系统的实时性、准确性和自适应学习提供了保障。