随着世界范围内人口的膨胀和城市的发展，出现了越来越多人群密集的公共场所。这些场所在提供人们生活便利的同时，也为犯罪活动提供了地点。因此，公共安全是全世界面临的一个刻不容缓的问题。视频监控作为控制公共场所犯罪行为的主要手段，正在被越来越广泛地应用。由于人会疲劳而且不能及时注意到整个场景中的每个细节，因此使用技术手段实时地分析监控视频并发现异常成为了计算机视觉领域兴起的一个研究热点。针对群体场景异常行为检测，在近几年世界顶级的国际会议和期刊上，相继有许多相关的模型和算法被提出。与此同时，也出现了几个专门针对群体场景异常行为的公共数据集。虽然目前研究人员已经做出了大量的工作，但取得的效果仍然存在很多不足，特别是在人群密集、出现遮挡等情况下，检测的性能仍然有很多有待提高的空间。在本文中，基于稀疏编码理论，我们提出了一个新颖的方法。该方法通过局部稀疏表示来计算动态显著度信息，从而对群体场景下的异常行为进行检测。与现有的其它基于稀疏编码的方法不同，本方法不需要通过学习来得到字典，而是通过使用目标区域的周围区域作为基函数对目标区域进行稀疏表示。我们使用该表示所得到的残差来衡量运动目标的受关注程度。此外，为了能更好地反映出现实生活中的情况，我们提出了如下假设：活动越激烈或越混乱，发生异常行为的可能性也越大。根据此假设，我们设计了两个属性：活动强度属性及活动关注度属性，并分别设计出了两个量化算法对这两个属性进行量化表示。为了验证本文所提出方法的性能，我们在两个公共数据集－明尼苏达大学数据集和加州大学圣迭戈数据集上分别测试了本方法对全局异常行为和局部异常行为的性能。此外，我们将本方法的实验结果以接收者操作特性曲线的形式表现出来，并且与几个近几年发表的其它先进方法进行比较。通过比较与分析，可以看出我们的方法具有很好的性能。