在计算机视觉领域中,基于图像序列的光流计算及三维重建技术研究已经成为一个热点问题。自1981年,Horn与Schunck提出了经典的光流算法后,为后续国内外许多专家学者研究光流领域提供了借鉴。与此同时,光流算法在社会生活的各个领域显示出了越来越重要的地位,如工业机器人的视觉系统,无人机目标检测与导航系统,空间卫星照片的自动分析与跟踪系统以及医学图像分析和诊断系统等,尤其是图像分割与运动目标检测应用更为突出,目前已经被广泛应用于医学领域、军事领域、智能领域等。本文针对复杂场景,对Horn-Schunck全局光流算法进行了研究及改进,提出了基于全局光流的群体性异常行为检测算法,具体研究步骤及创新点如下：针对Horn-Schunck全局光流算法的全局平滑约束迫使所估计的光流平滑的穿过每一区域,当平滑项系数因子选择过大时,会平滑掉物体形状非常重要的信息,为光流的计算带来较大的误差。本文采用基于全变分正则化(ROF)模型处理图像,进而得到纹理图,作为光流计算的输入图像。输入图像经高斯滤波后,利用多分辨率分层细化方法得到图像金字塔结构,不需要考虑原图像中大位移运动尺度的限制,在图像分层过程中缩小了位移量。采用双三次插值初始化每层光流矢量,通过有限迭代使每层光流解达到稳态,对于因噪声等造成的异常光流矢量,提出采用自适应邻域修正法对异常光流矢量进行修正,提高算法精度。将群体目标看成一个整体,把输入视频图像的每一个像素点看成一个粒子,采用正向与逆向相结合的方式进行有限时间李亚普诺夫指数的计算,进而进行场景分类。用粒子属性集表征粒子的行为,其中能量函数包括瞬时动态能量函数与全局能量函数：瞬时动态能量函数具有微观性；全局能量函数则是采用基于马尔可夫随机场与吉布斯随机场等价性来获得的,具有全局性。并在此基础上进行异常行为的检测。