近年来,面对监控技术的日趋成熟,监控系统已经随处可见,大量的监控视频数据随之而来。在没有实现自动监控技术的场景中,还在大量使用人力资源发现监控视频中的异常。这样的监控方式不但耗费精力,在一些重要的监控场景中,更失去了监控的时效性。例如,在考场中,监考老师往往存在一定的疏忽,导致考生的作弊行为不能完全被捕捉,还需要一部分工作人员完成对监控的探查。因此,为了节省人力资源,更高效地实现监控,视频异常检测技术应运而生。本文通过收集考场监控视频数据,利用视频异常检测领域的相关技术,实现对考生作弊行为的检测,这将帮助监考老师发现有作弊行为的考生并实现定位,从而保证考试的公平性。本文的监控视频数据均来自真实的考场监控,根据考场的不同,光线、监控位置与角度也存在差异,导致考生的尺度不一,距监控摄像头较远的考生目标较小。另外,在考生之间存在一定遮挡,这些因素都加大了检测的难度。由于检测对象为考生,所以考场中的监考老师作为干扰项,应将其与考生区分开来。此外,由于监控数据的庞大,对数据进行一一标注是十分耗时耗力的工作。而在深度学习中,大量的数据是模型取得高性能的有力支撑。通常,在考场中考生的作弊行为多变,实现对所有作弊行为的收集也几乎是不可能的。因此,如何定义这些作弊行为,并且利用有限的数据高效提取考生行为特征,是本文面临的又一大挑战。针对上述问题,本文提出了一种基于对比学习与代理任务的考场监控视频异常检测方法,主要工作如下:（1）为使模型忽略无关的背景信息,而专注于对考生行为进行分析,提出在异常行为检测方法中添加目标检测与目标跟踪模块,将考生与考生所在的课桌作为一个整体检测出来,为每个考生形成动作视频片段。实现区分监考老师与考生的同时,也便于对有作弊行为考生的定位。（2）提出了一种基于对比学习与代理任务的考场监控视频异常检测方法,同时使用正常与异常数据进行训练。加入对比学习机制,使得模型学习对区分正常与异常行为更具判别力的特征,而对像素级别的特征不敏感,抵抗光线等因素造成的干扰。同时,在模型中使用代理任务增强模型对空间以及时序特征的理解,在有效加入监督信息的同时提高了模型的可解释性。（3）收集并整理标注了针对考场监控视频的数据,分为目标检测模块使用的数据集和用于异常行为检测的数据集,为模型提供了有力的数据支撑。同时,将考生作弊行为视为异常行为,定义正常行为的边界,任何不符合正常行为的行为都将被判别为异常行为,这使得该模型在碰到各种未知的异常行为时也具有较好的检测能力,因此不必收集所有异常种类即可有效实现异常行为检测,在一定程度上缓解了数据收集的难题。（4）在异常检测数据集上进行了大量实验,实验结果表明,本文提出的基于对比学习与代理任务的考场监控视频异常检测方法在考场作弊行为检测的应用中具有较好的性能,表现优于当前的一些主流方法,同时通过大量的消融实验证明了上述方法中各个模块的有效性。