随着现代社会经济的发展，城市化进程不断加快，大规模人群活动变得日益频繁，由于人流拥挤踩踏而发生重大事故的现象屡见不鲜。因此，对人群进行合理有效地监控管理成为当前各个国家视频监控领域研究的热点问题之一。近年来，随着计算机视觉及人工智能等技术的发展，对人群行为分析算法的研究取得了很大的进展，被广泛地应用于了智能化人群视频监控系统中。人群的密度、运动速度和人流方向作为描述大尺度人群最主要的特征，是对人群行为进行感知和分析的基础。本文在总结分析了已有人群分析算法的基础上进行了以下两方面的研究。一方面提出了一种新的基于稀疏时空局部二值模式（SparseSpatial-Temporal Local Binary Pattern, SST-LBP）特征提取算法的大尺度人群密度估计与分布方法；一方面将所得的人群密度信息作为人群行为分析的基础特征，结合人群建模实现了对人群异常行为的检测。针对现有人群密度估计算法的局限性，提出了一种新的基于稀疏时空局部二值模式的特征提取算法，可用于对人群的密度等级及分布进行估计。其大致流程为：首先，利用三维Hessian矩阵检测出场景中的稀疏特征点；然后基于SST-LBP提取出特征点处的动态纹理特征，对提取出的时空LBP序列进行谱分析得到特征点处的局部特征；最后利用支持向量机对直方图统计出的全局特征向量进行训练学习从而估计出人群的密度等级。通过分析不同区域LBP序列的谱特征，提出了一种人群局部密度分布显示算法，利用对局部特征的分析处理实现了密度分布的色谱图显示。为了减轻射影畸形的影响，系统还引入了线性加权的透视矫正模块对系统中稀疏特征点的检测模块及时空LBP序列的谱分析模块进行了矫正，有效地提高了系统的精度。通过对不同算法在不同数据集上的实验对比分析，验证了所提出算法的高效性和鲁棒性。针对人群的异常行为检测，本文首先对基于个体目标的检测算法和基于群体特征的检测算法进行了总结概括，并详细介绍了基于社会力模型的人群行为分析方法。受流体动力学的启发，通过将体现人群图像信息分布不均衡性的局部密度信息引入社会力模型，实现了对社会力模型的改进，降低了无效的背景社会力噪声。考虑到群体性异常行为的发生经常会伴随局部密度的变化，本文对人群的密度变化信息与社会互作用力进行了融合，提出了一种新的可用于人群异常行为检测的压力模型。局部密度和速度变化越大、社会互作用力越大，群体压力就越大，人群就越不稳定，越易发生群体性异常事件。通过实验对比分析，证实了此算法可有效地检测出视频中的群体性异常事件。