由于人类活动具有非马尔可夫性,并且人类活动背景日趋复杂,为了确保人们的安全,人们在很多地方都安装摄像头,但是仅仅通过摄像头只能起到监控作用,并不能完全避免危险的发生。近年来,学者们提出的人类活动分层表示模型,为人类活动预测和危险预警提供了新思路。本文以精确的目标跟踪检测方法为基础,通过构建不同场景下的人类活动表示模型来进行活动预测,而且活动预测可以让人们提前预防危险,在人们的生活中意义重大。在本文中,使用时空与或图(ST-AOG)模型来捕捉事件的语法结构,时空与或图是由表示人类子活动的时间随机语法构建的时间与或图(T-AOG)和表示视频中目标间相互关系的空间与或图(S-AOG)组成。本文通过对不同场景视频下的目标进行跟踪检测,然后进行子活动分析提取,进而获得整个检测视频的事件描述,最后使用时间语法和Earley解析算法预测未来的子活动,从而实现人类活动预测。具体工作如下:首先,在不同的场景下对感兴趣的目标进行跟踪检测。由于检测的精确性会影响跟踪的准确性,所以对于目标检测技术,本文使用YOLO＿v3进行目标检测,可以保证目标检测的精确度和实时性,然后使用多目标跟踪方法DeepSort进行目标跟踪,DeepSort延续了Sort中卡尔曼滤波加匈牙利算法的思路,在这个基础上增加了深度外观评价指标和外观信息,以实现较长时间遮挡的目标跟踪,减少目标id的切换次数。通过YOLO＿v3+DeepSort进行目标跟踪来改进空间与或图(S-AOG)。其次,基于改进的空间与或图和基于随机时间语法的时间与或图共同构建时空与或图(ST-AOG)。本文将空间与或图(S-AOG)的根节点作为时间与或图的叶子节点,然后使用上下文随机语法模型来分析场景中的事件,获得事件的分层组合模型时间与或图(T-AOG),进而得到特殊场景下表示人类活动的时空与或图模型。通过对视频中不同目标间关系进行分析,对每个场景定义不同的子活动,根据相似三角形的方法来计算图像坐标的实际位置,从而计算出视频中目标的运动速度,然后使用本文提出的子活动提取算法来获得子活动标签,将检测到的视频中感兴趣目标的子活动作为输入,通过时空与或图(ST-AOG)和Earley解析算法来预测未来子活动,获得事件最优解析树预测人类活动,并且在特殊场景下进行危险预警。最后,在不同场景视频下使用本文算法提取子活动来进行人类活动预测,并且对提取的子活动标签构建混淆矩阵,实验证明本文的人类活动预测算法的子活动提取准确度可达90%左右,人类活动预测结果也与实际视频中人类活动相符。