随着社会的发展,视频监控摄像头遍布在人们生活和学习的各处场所,保障着社会秩序与人民群众生命财产安全。从视频中自动检测出异常事件是现代视频监控系统的发展要求,根据这一发展要求衍生了视频异常检测技术,视频异常检测技术已成为当前的研究热点。视频是同时包含时序信息和图像信息的高维数据,如何提取完备的时空特征表达视频中的基本事件已成为当下研究的难点,并且视频中异常事件发生概率较低,在进行视频异常检测时,占主导地位的正常视频片段容易淹没异常视频片段,导致异常事件的漏报。在本文中,重点研究增强视频时空特征以表达完备的视频基本事件与增强异常事件的辨识度来提高视频异常检测的精度,主要的内容包括:（1）针对在图像领域中传统的二维卷积神经网络不能够有效利用视频中时序信息的问题,本文提出基于增强时空特征的3DGRU视频异常检测算法,3DGRU算法的中文全称为基于C3D与GRU网络增强时空特征的多示例视频异常检测算法。该算法基于三维卷积神经网络C3D初步提取视频块时空特征,并通过GRU结构增强视频特征中的长时时序信息与短时时序信息表达,综合C3D网络与GRU网络构建完备的视频基本事件时空表达特征,通过多示例排名损失函数进行视频异常检测。在UCF-Crime数据集上进行实验,本文提出的3DGRU算法与2020年MF算法相比较,AUC值提升了1.58%。（2）针对异常视频片段容易受占主导地位的正常视频片段偏置影响从而产生异常事件漏报的问题,本文提出基于增强时空特征的ITBM视频异常检测算法,在增强时空特征的基础上,提高异常事件辨识度。ITBM算法的中文全称为基于I3D与TCN网络增强时空特征的二元交叉熵视频异常检测算法。该算法在特征提取阶段,通过I3D提取视频帧的RGB与光流融合特征,使用TCN时域卷积网络显式编码视频片段特征值,增强相邻视频片段的多尺度时间相关性;在异常检测阶段,提出交叉熵与均方误差的联合损失函数,其中交叉熵损失函数用于扩大正常视频片段与异常视频片段的类间距离,均方误差损失函数用于缩小异常视频片段的类内距离,联合损失函数提高正常视频与异常视频的可分离性,并提升异常视频片段辨识度,从而降低视频异常检测中异常事件的漏报率,提高异常事件检测精度。在Shanghai Tech数据集上进行实验,本文提出的ITBM算法与2020年AR-Net算法相比较,AUC值提升了2.14%。