城市地下管网是城市正常运行必要的基础设施,但是现在大部分的城市地下管道,因为管道检修效率低下的原因,存在有塌陷和管道淤积、漏水等问题。为了保障工作人员的生命安全,利用机器人下井拍摄管道后,从拍摄数据中筛选出,管道存在缺陷的视频,这种作业方式成为当前管网检修中普遍采用的方法。然而,在管网视频筛选阶段,需要培训大量具有相关知识的工作人员,去进行人工筛。人工筛查是造成管网检修效率低下的主要原因。最近几年,图像处理技术随着深度学习方法的不断突破,有了许多优秀的研究成果。相较于传统机器视觉算法,深度学习基于卷积神经网络的方法,普遍具有更高的准确率和更好的泛化能力。如何利用深度学习方法,实现高效的管道视频异常检测,成了本文的核心研究内容。以下是本文的研究内容和几点贡献:1、收集并且标注了一个大型的城市地下管道视频数据集;2、针对管网视频不适用于当下主流视频处理算法的问题,提出了高效的管网视频双流特征融合网络;3、根据现有数据特点,成功探索了一种多任务模式,提高模型性能;4、为了避免弱异常视频误检,提出了时空混合的数据处理方法,提高弱异常视频的辨识度。在实验部分,本文将文中提出的异常检测方法与其他若干先进的异常检测方法进行对比。实验数据表明,本文提出的异常检测方法性能要优于其他方法。我们提出的视频异常检测方法,在异常召回率达到99%时,查准率仍能达到85%左右。