随着现代视频采集技术和计算机运算处理能力的蓬勃发展,生活中随处可见的摄像头和四通八达的互联网带给了人们爆炸增长的视频规模。面对日益增长的视频数量,如何忽略视频中大量的无效数据信息,快速、准确地从视频中识别出异常目标是目前视频识别领域的重要研究方向。识别视频中异常行为的主要研究内容是分析处理视频序列中的人体行为,提取视频中人体行为的数据特征后依据特征对行为分类识别,及时发现视频中的异常行为。传统的异常行为识别方法在提取视频中目标的时候需要人为设计异常的动作特征。深度学习算法是近年来视频识别领域非常热门的研究方向,该方法不需要人工的设计行为特征,而是使用计算机自动分析视频内的特征数据。本文主要研究使用深度学习的方法,通过计算机自动识别视频中人体的异常行为,从而高效地完成识别任务。本文着重研究了面向公共场合的视频中异常行为识别系统的设计与实现,并对系统进行了测试,在分析实验结果后论证了其应用价值。本文联系理论和实际应用,对发生在复杂背景下的抢劫、打架等较为复杂的行为视频进行创新性和探索性研究,使用改进算法设计了异常行为的识别系统,将该识别算法应用在实际生活当中。针对视频中异常行为的特点,本文主要在以下两个方面对卷积神经网络进行了改进。首先,增加循环卷积神经网络使网络处理视频中图像之间的相互关联,并且使用LSTM结构解决了循环神经网络梯度消失的问题。其次针对异常行为在视频中的突发性,将视频分割成独立单元以识别出异常行为发生的时间段。然后在BOSS数据集上测试了新的卷积神经网络,最后详细的分析和总结了新网络的实验数据。实验的结果表明,该网络在识别性能方面有较大进步。本文将算法用于实际,使用新的网络结构实现了基于视频的公共场合异常行为识别系统。将打架、抢夺、晕倒等定义为人体的异常行为,将行走,跑,坐等行为定义为正常行为,从需求、结构和流程等角度对系统进行了分析,通过在校园中拍摄的视频对系统进行了多次测试,展示了系统中异常行为的训练和识别处理过程,最终实现了异常行为识别的功能,达到了研究目的。