基于监控视频的人体异常行为检测算法研究是计算机视觉领域的研究热点之一。传统的采用人工值守方式的视频监控系统,由于受制于人的生理特点,具有实时性差、效率低下、人力成本高、容易出现漏判误判等缺点。相比之下,以异常行为检测算法为核心的智能监控系统在无需人工干预的情况下能够自动从视频中检测出异常行为并发出警告,具有巨大的科研价值与应用前景。本文全面介绍并深入分析了异常行为检测技术当前的研究现状和发展趋势,在已有算法的基础上提出了相应的改进算法,进行了完整的视频异常行为检测实验与数据分析.首先,本文使用了基于深度学习的视频特征提取方法,使用预训练的网络模型对视频的时空特征进行提取。监控视频经过视频特征提取模型的处理后,互相交叠的每个感受野会产生一个特征向量,这个特征向量用来表征原视频感受野区域的时空特征。实验证明,三维卷积神经网络比二维卷积神经网络可以更好得表征视频的时空特征。其次,本文提出将孤立森林异常检测算法应用在视频异常行为检测当中。孤立森林是一个基于集成学习的快速异常检测方法,具有线性时间复杂度和高精准度,是符合大量数据处理要求的效果非常好的算法。本文将它应用在视频异常行为检测当中并在数据和理论上证明它是适合于视频特征的异常检测算法。再次,本文提出了基于深度学习的视频异常行为检测的异常区域定位方法。为了从表征原视频中相互重叠的感受野的高维特征得到像素级别的视频异常图,本文算法将视频时空特征的异常值进行高斯滤波后得到所对应感受野的异常图,之后将交叠的三维的感受野的异常图相加后,得到原视频的异常图。综上所述,本文对视频时空特征提取,视频特征异常检测,视频异常区域定位方法这三方面进行研究,提出改进算法。实验证明,该算法能够准确地从监控视频中检测异常行为并得到优于各种主流算法的数据指标。