随着我们国家城市化的不断推进,城市人口的密度快速增加,人员组成也越来越复杂。为了较好的保证人们生命财产的安全,大量的监控摄像头被安装在各种各样的场合。这些摄像头可以拍摄海量的监控视频数据。但是监控摄像头只是一个视频拍摄设备,并不能对视频中人体的异常行为进行分析和识别。如果使用人工对这些视频进行识别和分析就需要大量的人力和物力,这并不现实。近年来随着深度学习技术的发展,为了自动化的实现对监控视频中人体异常行为的检测,科技工作者不断探索一些使用基于深度学习方法实现的人体异常行为识别算法。但是由于监控视频角度、人体的遮挡等因素的影响,这些算法的识别精度还不够高,影响了实际的应用。本文对基于3D卷积的人体异常行为识别方法展开研究,主要工作如下:（1）本文总体的网络结构使用了Slow Fast网络模型的结构,这种模型结构有Slow和Fast两条路径,Slow路径捕获空间信息,Fast路径捕获人体动作变化,最终两条信息提取到的特征进行融合实现人体行为识别。为了更好的对网络进行训练,本文构建了一个包含四个常见人体异常行为的小型人体异常行为识别数据集。使用这个数据集对采用了3D-Res Net50网络作为特征提取网络的Slow Fast模型进行了训练,对比了使用初始的残差单元结构和改进的预激活残差单元结构在人体异常行为识别方面的准确率。（2）为了提高人体异常行为识别的精度,对使用了3D-Res Net50特征提取网络的Slow Fast模型进行了修改。3D-Res Net网络在进行快捷连接时（shortcut connection）如果输入输出不一致需要进行升维和下采样操作,本文在下采样时添加了一个最大值池化层（max pooling）,这个操作可以使得下采样有可以依据的标准,减少有用信息的丢失和噪音的引入,有助于模型进行分类操作。同时对3D-Res Net网络的信息流进行了改进,将3D-Res Net网络四个主要阶段网络层的编排进行了修改,将每个主要阶段的残差单元分成了三种:开始残差单元、中间残差单元和结束残差单元。这种改变不会增加网络模型的复杂度,但是能够提高模型的学习能力。最后使用了h-Swish激活函数对3D-Res Net50网络中的激活函数进行了替换,通过这种替换之后发现模型的识别准确率有了一定程度的提升。