近年来,随着人口密度的增长和人群聚集现象的频繁出现,世界范围内发生了许多伤亡事件,严重危害了公共场所内的人身安全。由于人群拥挤、踩踏等引发的事故已是屡见不鲜,例如在繁华的商业街,数万观众的体育场,以及人员流动频繁的车站都是人群聚集的高发地,公共场所的安全问题日益突出。因此,异常行为检测的相关研究具有深远的现实意义,它不仅可以保障人群活动的安全,同时还为公共场所的人群管理及调度提供重要的指导信息。本文学习了现有的异常行为检测研究方法,对其中基于生成对抗网络的研究方法提出了改进方案并深入研究,论文的主要研究内容包括:首先,为保证异常行为检测网络的训练效果,我们需要一份正负样本尽可能平衡的数据集,研究现有的行人数据集后发现,大多存在数据不平衡的现象,一段视频监控中的异常样本实例占比很小,这种正负样本相差悬殊的现象往往会导致网络对于异常行为的学习效果较差,从而影响了检测的准确率。因此,本文提出了基于Cycle GAN的不平衡数据增强的方法,利用生成对抗网络扩展异常行为数据,将异常行为生成到不同场景中,令正负样本的比例趋于平衡,同时,在网络中增加了异常行为一致性损失函数,以增强异常行为数据样本的有效性。另外,当前的异常行为检测研究对于异常的定义各不相同,并且网络的参数复杂,通过调整参数值已经很难取得更好的效果。因此为了提高异常行为检测的准确率,本文提出了基于细粒度的异常检测方法,不仅将检测任务划分为四个子模块,还在检测网络中融入了行为识别模型,细化了异常行为的分类,从而实现了细粒度的设想,最终实现提升检测准确率的目标。本文从数据和算法两方面进行分析和改进,并将改进模型在标准数据集上进行了验证,实验结果表明,本文提出的改进模型切实有效,提高了异常行为检测的准确率。