随着旅游市场的快速发展,在旅游景区中常会出现一些游客的异常行为,不仅危害了人生安全,也给社会造成许多负面影响,因此研究旅游景区的异常行为识别系统,具有较为重要的研究意义。旅游场景中的异常行为包括不文明行为和危险行为,其中不文明行为包含攀爬、乱涂乱画、乱扔垃圾等行为,危险行为包括翻越栏杆、落水等行为,本文利用图像处理、深度学习等技术对旅游景区中监控场景的游客行为进行检测与识别,若出现游客异常行为则发起预警,从而为大数据智慧旅游监管平台提供了良好的监管技术。首先,本文针对旅游场景中攀爬和涂画两种异常行为识别问题,应用了基于三维区域卷积网络（R-C3D）的深度学习方法。先对攀爬和涂画行为进行问题描述,然后再针对其具体步骤,分别从视频预处理和基于三维卷积网络的行为识别模型实现这两个方面进行详细介绍。在R-C3D模型中,能够检测任意时长的视频,同时运用时序段生成和网络分类共享C3D卷积特征的特点,实现比目前常用方法快3倍的检测速度。实验表明,与其他方法相比,基于R-C3D的深度学习方法进行旅游场景的攀爬、涂画行为识别达到了高实时性和准确度高的效果。然后,本文针对一般行为识别方法无法对旅游场景中的翻越异常行为进行识别问题,应用了基于Yolo与GOTURN以及轨迹分析过程的行为识别方法。先对翻越行为进行问题描述,再分步骤具体阐述,依次从视频处理、目标检测模型实现、目标跟踪模型实现、轨迹分析方法实现四个方面详细介绍。在Yolo目标检测模型中,经过了One-stage的常规过程,运用单一的卷积网络实现端到端（End-to-End）人体识别和边界框（Bounding box）位置预测,并且达到高准确率的效果。同时,在GOTURN目标检测模型中,运用了离线学习神经网络的优势,直接对目标人体的边界框进行回归操作,并且该模型对于特定类别的跟踪效果更好,适用于人体跟踪。实验表明,相较于其他同类型方法,基于Yolo和GOTURN以及轨迹分析过程的行为识别方法对翻越行为的识别能够在保证准确度高的情况下,提高检测速率,并达到高实时性的效果。最后,本文针对实时多人异常行为的应用问题,提出了实时多人异常行为识别系统。该系统以攀爬、涂画行为识别模型和翻越行为识别模型为基础,实现了异常行为识别系统。首先对系统进行问题描述,然后提出实时多人异常行为识别系统的具体实现方式,再具体描述了多人情况的实现方法与过程,并给出目标丢失方案,同时评估改进前后的性能。最后,将实时多人异常行为应用于大数据智慧旅游监管平台中,展示了将系统应用于界面的效果,并对该系统进行测试。结果表明,实时多人异常行为识别系统能够正常应用于大数据智慧旅游监管平台中,并实时高效地对异常行为进行预警。