近年来,随着互联网、大数据以及多媒体技术的飞速发展,视频图像资源正在以惊人的速度增长,视频图像作为重要的信息载体,已经渗透到人们生活和工作的各个方面。对于如此庞大的视频图像资源,如何高效、准确地对视频序列中的人体动作和异常行为进行识别,已经成为了人们所关注的热点问题。针对视频序列中人体异常行为识别任务,主要研究的是分析并处理视频中的人体动作,提取人体动作的数据特征并根据动作特征进行分类与识别,从而对视频中的异常行为进行检测与报警。传统的行为识别方法一般需要手工提取特征,而且识别精度难以提升。近年来,深度学习方法在计算机视觉领域得到广泛的应用,可以利用计算机自动分析视频中的数据特征。该课题着重研究了视频序列中的人体异常行为,对复杂背景下的抢劫、砸车、摔倒、打架等异常动作进行创新性研究和探索,将深度学习方法应用到行为识别领域,构建了一种基于深度残差LSTM与双流卷积融合网络模型的异常行为识别算法。针对视频中人体异常行为特点,该课题主要从以下三个方面对原始双流卷积网络及其衍生模型进行改进。首先,构建以C3Dnet为基础模型的双流卷积结构,采用乘法交叉流残差单向连接方式进行网络内部融合;其次构建深度残差LSTM模块,充分学习视频中的长时运动信息;最后,提出了一种基于双中心loss函数的方案对网络模型进行优化。最后,该课题在UCF101和HMDB51数据集上进行模型训练,再将模型迁移到监控视频数据集CASIA上进行异常行为识别,并对实验结果进行分析,验证了模型算法的有效性。图35幅;表9个;参49篇。