随着社会的发展与进步，越来越多的社会安全问题也随之出现。如何避免与及时应对突发公共事件作为公共安全的重要议题被学术界及工业界广泛研究，进而产生了多种多样的安防机制及相应的技术。视频监控技术作为被广泛使用的监管技术，在多个方面起到了至关重要的作用。然而目前的通用监控技术仍然存在各种各样的问题。　　作为计算机视觉的重要范畴，对监控视频内容的分析从发展之初便受到学术界的关注。视频内容的分析主要包括目标检测、目标识别、目标追踪等几大领域。本文主要针对监控视频中的异常行为检测问题，首先对异常的基本概念和基础理论进行了简单介绍，综述和分析了国内外的研究现状和主流算法，随后提出了针对全局和局部异常检测的算法，并分别对算法的具体实施和测试结果进行了相关的分析。本文的研究内容和创新点如下:　　1.提出了基于多特征提取的局部异常检测算法。传统的异常检测算法通常笼统地对异常进行统一的特征提取，这将造成运动信息的不合理使用甚至丢失，进而造成对异常检测的高误检率。本文通过构建局部异常的特征模型，将局部异常进一步划分为速度异常、形态异常及位置异常，并为每一类异常分别进行特征的提取和检测，并最终得到统一性的异常得分。实验结果证明了这种分类方式是合理而具有优势的。　　2.提出了基于分裂合并聚类算法的前景目标提取方案。传统的局部异常检测特征提取方案通常将视频序列划分为固定大小规则形状的块（二维）或体（三维），这种划分方式会产生对目标的错误分割及误判率增加等问题。本文通过多次限制性迭代，在每一步迭代中不断分裂不符合样本模型的前景区域，并合并相似性区域，实现对前景的有效分割，提取出单个或多个重叠目标的前景，在此区域内实现特征提取等操作。这一方案对特征区分度的影响较大，因此也是决定整体算法有效性的关键因素。　　3.改进了NSH分类算法。原有NSH算法尽管可以实现异常数据的检测，然而其在寻找最优参数时效率较低且鲁棒性较差。本文提出的INSH算法通过在原有二分类算法框架基础上重新定义目标函数和重新设计凸包解决方案，实现比原有算法更优的分类检测结果。　　4.提出了基于全局动能的全局异常检测算法。传统的全局异常检测算法大多模型复杂、检测效果不尽如人意。本文通过分析大规模运动特点提出了基于全局动能差的全局异常检测算法，算法通过构建全局动能进而计算动能差实现全局异常的检测，实验证明该方法时间成本较低且而行之有效的。