中国人口老龄化等问题的加剧,给监护和安防等领域带来了巨大挑战。由于视频监控的逐渐普及化、低廉化以及视频的可视化、易存储等优点,它迅速成为替代人工管理的重要手段。如何高效地处理得到的视频数据,使其在满足特定场合的人体行为检测的精度要求的同时,又能兼顾效率,尽量满足实时性需求,一直是算法研究人员不断追求的目标。目前大多数的视频处理任务都基于特定场合,行为检测和识别的种类相对固定且较为单一。当传统方法利用先验知识及直观感受,设计出与任务强相关的特征时,其在效率和精度上将大大优于深度学习方法。鉴于此,论文将围绕基于传统方法的视频异常行为检测进行研究。论文的工作主要包括以下几个部分:（1）考虑到传统视频行为识别算法中光流计算严重耗时的问题,论文采用基于深度学习的FlowNet2.0网络,对稠密轨迹算法中的光流计算环节进行改进,在保持光流计算精度的同时,光流计算速度得到显著提高;（2）考虑到稠密轨迹算法只从时间维度对人体行为进行刻画,而缺少空间维度描述的问题,论文中加入了骨架关节点特征,有效地弥补了稠密轨迹算法在空间维度刻画上的不足,使得算法性能得到显著提升;（3）针对特征融合期间需要考虑不同特征重要性的问题,论文中采用加权融合的方式,利用类间散度矩阵和类内散度矩阵的迹之比作为衡量的标准,拼接时对重要性较高的特征赋予更大的权重,显著提升了模型的分类性能;（4）鉴于单纯的二分类模型在定义的异常行为发生改变时,迁移能力较差的情况,论文中将多标签行为识别算法应用于异常行为检测中,增强了定义异常变化时模型的可用性;（5）搭建实验平台,运用留出法和交叉验证对UCF-101、HMDB51、KTH等5个公共视频数据集进行数据分割并训练模型,然后通过准确率、召回率、F1 Score等评价指标分别对模型的预测性能进行评估,在光流计算速度提升了近7倍、整个行为识别流程速度提升近6倍的情况下,分类准确率得到显著提升,证明了模型改进的有效性。