人群行为分析和异常检测是计算机视觉、模式识别和智能交通等的交叉研究领域，近几年已成为人工智能和视频监控技术等方面的研究热点。本文针对简单无结构场景和复杂结构化场景中的人群监控轨迹数据集进行了运动行为分析及异常轨迹检测方面的研究分析。　　本文的主要研究工作包括:　　1.基于FCM(Fuzzy C-Means)算法和Hausdorff距离的简单无结构场景人群行为分析和场景隐结构信息学习。本文首先提取人群轨迹的场景出入点，并利用FCM算法和Hausdorff距离对其聚类。通过学习轨迹关键点簇，进一步获得粗略的人群轨迹聚类以及场景的隐结构信息。　　2.基于轨迹类的特征统计直方图及局部动态一致性原则进行异常轨迹检测。无结构场景内，同一类人群轨迹通常具有相似的运动趋势。通过统计轨迹类内轨迹样本点位置、速度和运动方向等特征，建立轨迹类特征统计直方图，并与局部动态一致性原则相结合进行异常轨迹检测。　　3.基于最大最小距离聚类算法的复杂结构化场景内运动轨迹模式学习和人群行为分析。首先将运动轨迹进行分段处理，以降低后续分析难度;然后使用最大最小距离聚类算法对分段轨迹集进行聚类，并学习各分段轨迹类数据的感兴趣区域，得到潜在人群行为信息。　　4.基于轨迹样本点局部密度的分段轨迹异常检测。轨迹上样本点的局部密度来可以体现轨迹的异常性。本文选取一种基于局部密度的异常检测算法——LOF(Local Outlier Factor)，通过计算测试轨迹集内轨迹样本点的局部密度和局部异常因子，对轨迹进行异常轨迹检测。