群体异常行为检测与识别技术是指通过分析视频中的群体行为实现自动检测群体异常行为并识别出其类型的过程。本文在研究和分析了现有的群体异常行为识别关键技术的基础上，对群体突聚、突散、暴乱、斗殴等典型异常行为的检测识别进行了深入研究，主要内容和贡献包括以下三个方面:　　(1)提出了基于社会力概率分布的群体行为异常检测算法。针对采用传统社会力特征时遇到的特征冗余及弱描述性问题，采用社会力模型描述群体行为中个体间的相互作用，统计时空体中的社会力特征，为每个时空体构建相应的加权直方图并转化为概率分布形式，以时空体的概率分布构成语料库中的单词用于潜在狄利克雷分配模型的训练与检测，有效提高了社会力特征的描述性及群体异常行为的检测准确率。　　(2)提出了基于邻接帧约束的群体异常行为检测算法。该算法针对固定监控场景，在监控视频图像上设置监控点，并计算监控点上的光流特征，然后构建时空立方体并统计时空立方体内的光流特征生成光流方向加权直方图，用以描述视频片段中的局部行为。在使用稀疏字典重构待测行为时，针对光流特征提取过程中出现的奇异值问题，提出在稀疏表达的优化问题中加入邻接帧的平滑约束，解决了异常行为检测率受到光流特征奇异值影响的问题，有效地提高了全局监控场景下群体异常行为的检测率。　　(3)提出了基于KOD能量特征的群体异常行为识别方法。根据群体的运动剧烈程度、群体运动方向一致性和群体中个体的相对位置定义并提取群体动能、方向势能和距离势能，构造群体行为高层KOD能量特征，然后构建隐马尔可夫模型实现群体异常行为检测及类型识别。KOD能量特征忽略群体中相互遮挡的个体的局部特征，从群体行为整体上描述群体的运动变化状态，在PETS和UMN公共数据集上进行验证，实验结果表明使用KOD能量特征能够有效地检测出群体异常行为并识别出其类型，且能够达到92％的准确率。