随着我国民航业快速发展,机场旅客吞吐量的不断提高,航站楼在民航运输环节中的作用也越来越重要,而且异常行为事件时有发生。目前机场安防仍然使用的是传统的监控方式,依靠人工进行实时监控耗时费力,而且也很容易出现错判和漏判的情况,很难满足机场对于安全管理的需求。随着计算机技术的广泛应用、数字图像相关技术的快速发展以及深度学习近几年的快速崛起,其中卷积神经网络成为了深度学习领域一大标志。为了维护正常的候机秩序,满足机场的安全管理需求,将深度卷积神经网络与机场航站楼场景进行融合应用,对航站楼内的旅客异常行为进行识别检测。从而完善机场内传统的监控模式,实现智能化监控的效果,通过对比常见人体行为检测模型原理及优势分析,提出以I3D(Two-Stream Inflated 3-D ConvNet)网络模型为基础进行机场航站楼内旅客异常行为的检测,在机场数据集较小的情况下,筛选网络公开数据集进行整合,扩充数据集。针对传统I3D模型结合机场安检区行人识别的容易被遮挡、跟踪丢失率高等特征,设计了一种改进的I3D模型,该模型在传统I3D模型的基础上,引入了连续帧构建的运动模型,基于运动模型来实现对人体行为识别,有效的降低了传统的I3D连续帧模型下进行行人行为识别在复杂的遮挡环境下行人跟踪丢失的问题,同时提出了基于Inception-v3算法的改进,从而加快了网络的运算速度,减弱了过拟合现象的发生,同时也对Inception模块的结构进行了优化。最后进行了实验验证,改进后的I3D网络模型精度可以达到91.5%以上,效率可以达到5ms/pcs的处理,证明了改进后的I3D网络模型可以有效地提高针对机场航站楼视频识别的准确度和效率,同时对比不同权重在异常行为检测任务上取得准确率的平均值,选出了模型融合的最优权值。