随着人们生活质量的不断改善,机动车保有量持续增长,道路上违规行驶的车辆给交通环境的治理带来了巨大的挑战。采用自动化交通异常事件检测技术进行交通异常预警,可以减少大量的人力和物力,并且对于改善交通运行环境以及减少交通事故具有十分重要的意义。基于有监督的异常检测方法需要耗费大量的时间和精力对数据进行标注,而且只是对特定的异常行为建立精准的行为模型,具有一定的局限性。然而基于无监督的异常检测方法不需要对训练数据进行异常帧的提取和费时费力的标注,同时不依赖特定行为模型,逐渐显现出其突出优势。传统的自编码器（Autoencoder,AE）是使用全连接层来构成编码和解码器,因此无法捕获图像和视频序列中的2D结构,会导致网络参数的冗余。卷积自编码器（Convolutional Autoencoder,CAE）利用卷积层代替全连接层,能够更好地对图像和视频序列编码,然后对提取到的特征进行解码。因此,本文对基于卷积自编码器的交通异常事件检测算法展开研究,在训练网络时,通过对交通视频段提取特征,构建常规事件表征模型;在检测时根据重构误差计算异常得分,最后通过自适应阈值来判断是否存在异常行为。基于此,本文做了以下工作:1.基于时空卷积自编码器的交通异常事件检测。为了解决CAE模型的编码器部分仅能提取交通视频数据的空间特征,而无法得到时序信息的问题,将三层的卷积长短期记忆网络单元（Convolutional Long Short-Term Memory,Conv LSTM）串联在编码器之后,负责学习编码器提取的交通正常事件的空间特征在时间维度上的演变过程。解码器部分利用反卷积层以及上采样层来对Conv LSTM输出的时空特征进行重建。实验结果表明加入三层的Conv LSTM后,AUC值至少提高了0.062,同时在三个数据集上的AUC值高于0.724,EER低于0.314,验证了基于时空卷积自编码器的交通异常事件检测的可行性。2.基于光流和时空卷积自编码器的交通异常事件检测。为了解决神经网络无法充分提取运动特征的问题,提出使用Farneback算法得到输入光流信息,引导模型更加关注交通场景中运动的目标。除此之外,大尺寸的卷积核会导致计算量增大,因此将其进行分解。同时为了使模型的拟合能力得到提升,能够学习到更为复杂的分布函数,在模型中加入微网络（Micro Network）。实验结果表明,将模型改进后使用光流信息作为输入,在三个数据集上的AUC值至少提高了0.039,EER值至少降低了0.034,故检测性能明显优于输入为原始帧序列的原始模型。3.基于时空异构的双流卷积自编码器的交通异常事件检测。为了解决在光流算法中部分有效信息缺失的问题,因此提出了一种基于时空异构的双流卷积自编码器网络模型。该模型能够分别从时间和空间两个维度提取视频信息,同时将空间分支以及时间分支的重构误差进行加权融合。由于运动特征与外观特征相比,对于交通异常事件检测更重要,故在实验中给予时间分支更多的权重,对于不同的超参数进行尝试,最终选定使用0.7效果最佳。实验结果表明,使用双流模型进行交通异常事件检测,使检测性能得到了进一步的提高,在三个数据集上的AUC值至少提高了0.012,EER至少降低了0.012。