图像的异常检测算法,通常需要考虑图像数据的时间特性和空间特性。已有算法中,基于图像数据时间特性的异常检测,大都需要异常物体的像素级标注,且无法检测出未标注的异常,少量无需像素级标注的算法,模型结构和异常判断方式都很复杂。基于图像数据空间特性的异常检测算法,包括基于聚类和基于重构的异常检测算法,其中基于重构的异常检测效果普遍较好,但模型结构更为复杂。针对以上问题,本文分别基于图像数据的时间和空间特性进行研究,主要研究内容如下:(1)提出了一种无需像素级标注的、基于图像时间序列预测的异常检测算法。为了不进行异常物体的像素级标注,同时不提升模型结构的复杂性,异常判断方式简单有效地进行异常检测,本文研究基于预测模型的视频帧异常检测方法,分别设计了浅层一维卷积和浅层二维卷积的时间序列预测模型,充分利用了视频数据的特征,进行不同视频帧的预测,模型结构简单。这种通过预测帧与实际帧的差异进行异常检测的方法,不需要像素级标注,异常判断方式简单。论文研究了各种时间序列预测模型预测结果的融合方法,从而充分利用各模型所基于的数据特性,提升异常检测准确度。(2)设计了一种基于改进GANomaly的图像数据空间特性异常检测方法。基于GANomaly的异常检测效果较好,GANomaly模型能够忽略视频的时间特性进行异常检测,但模型结构复杂。为了保持异常检测效果并且简化网络结构,本文研究了基于改进GANomaly的异常检测模型,基于特征表示能力简化网络结构,针对简化后的结构设计新的损失函数。(3)异常检测算法适用性分析与测试。针对不同的视频异常种类,研究基于图像数据时间和空间特性的模型的适用性,综合基于图像数据时间和空间特性的模型的异常检测结果,提升各种异常场景的异常检测能力。