近年来,由于视频帧预测技术可进行动作行为和场景状态的预测,因此在智能驾驶领域和安防领域拥有广泛的应用前景。本文分别对交通场景下的未来帧图像生成问题和监控场景下的异常检测问题进行研究。本文按未来帧预测的数量不同,将视频帧预测问题划分为单帧预测和多帧预测,并对这两类问题进行定义。在单帧预测部分,本文针对目前视频帧预测相关算法存在的缺点,提出将光流warping预测法和直接预测法相结合的算法,即多路掩膜深度网络(deep multi-branch mask network,DMMNet),在交通数据集Caltech进行训练和测试,通过实验对比证明模型中各掩膜层和融合操作的作用,验证DMMNet模型有出色的单帧预测效果;对于多帧预测部分,本文对原有DMMNet模型进行改进,将输入的多帧图像依次通过可分享的运动编码器编码,并将得到特征图输入到多个卷积LSTM中进行时空建模,在Caltech数据集上进行对比试验,证明改进后的DMMNet模型可延缓原模型在多帧预测问题上的性能衰退,并验证改进的DMMNet模型的多帧预测能力。本文在分析异常检测相关模型的基础上,借鉴利用视频帧预测进行异常检测的思想,将DMMNet模型应用到异常检测问题当中,提出DMMNet-Ab Det算法。并针对DMMNet-Ab Det算法在异常检测中的问题,本文设计先进行图像预测,后利用目标检测进行特定区域的异常检测算法DMMNet-Det-Ab Det。将两种异常检测算法在UCSD数据集上进行实验对比,证明DMMNet-Ab Det算法可以解决异常检测问题,并且DMMNet-Det-Ab Det算法可提升异常检测的准确率。