随着智慧城市的加速建设,视频监控作为一种辅助性管理手段已大规模覆盖到城市中的各个领域,而视频下的人体异常行为识别作为视频监控内容的重要组成部分,对于提升场景感知能力、降低安全事故发生、加强城市管理具有重要实际意义。然而,现有的异常行为识别方法更多地关注于模型在规模性大、动作差异性明显的行为数据集中的性能提升,而忽视在实际应用中,对场景区分性弱、相似性动作多的异常行为识别相关研究,导致以往异常行为识别方法在特定场景下针对相似性动作的识别效果无法满足实际需求,严重限制了基于视频的异常行为识别技术在各领域中的应用范围。针对上述挑战,采用基于深度学习的异常行为识别算法,通过对相似性异常行为在细粒度特征传递、网络特征表达和网络特征关注三个方面开展研究,然后以智慧养老领域下老人为研究对象,开发基于异常行为识别的智能健康监护系统,主要内容和创新如下:（1）针对以往算法在相似性动作上特征表征能力弱、识别精度差的问题,构建基于多模块三维卷积神经网络的异常行为识别算法。结合双流网络架构和三维卷积架构的优势建立不同视频帧率下的异常行为识别模型,其次基于多尺度特征重用模块对特征提取网络进行结构重塑,通过将浅层特征与深层特征融合提高网络中空间关键特征的传递;然后利用基于解耦结构的预测模块对异常行为识别模型中的分类网络进行结构优化,使得各网络分支更专注于自身子任务,提高网络对深层特征的表达能力;考虑到以往行为识别数据集中动作类别间的差异性强,相似性动作少的问题,采集人体头痛和颈痛等六种相似性异常行为视频,并通过五种视频增强技术进行预处理,在增加数据量的同时使得数据类型更具多样性;最终,对改进后的异常行为识别模型进行数据测试,异常行为识别的准确率达到97.7%,证明了所提方法的有效性。（2）考虑到异常行为的发生在时空场景下具有时序上的随机性与空间位置的不确定性,导致模型对时空重要特征缺乏关注,降低相似性行为的识别率问题,在基于多模块三维卷积神经网络的基础上,构建基于时空特征优选的异常行为识别算法。采用结构优化的三维空间注意力模块通过引导模型关注视频帧中关键空间区域,提高模型对重要区域的重视;采用三维时间注意力模块引导模型关注异常行为在时序上的长期依赖关系,捕捉相似性行为在时序上的差异性;通过结合时空注意力模块提升模型对异常行为中细粒度特征的重视。实验表明,提出的基于时空特征优选的异常行为识别算法准确率达到98.1%,优于现有的行为识别方法。（3）针对全球人口老龄化且护工人员严重不足,且以往算法对相似性异常行为识别率低、功能单一化的问题,应用基于时空特征优选的异常行为识别算法建立面向老人的智能健康监护系统。具体地,采用行为推理模块对视频帧的时空特征进行分析推理,对老人的异常性行为快速地检测与识别;采用信息记录模块对行为推理模块识别出的异常行为类别,发生时刻与持续时间等相关数据进行记录,为老人健康服务提供合理指导建议;采用画面显示模块设计实时画面与识别结果一体化界面,便于用户实时查看与异常行为记录浏览。系统测试结果表明异常行为检测的时间滞后性小于0.5s,异常行为检测的准确性为98.0%,满足智慧养老领域老人异常行为的健康监护需求。