视频设备的出现,为一直以来备受社会各界关注的公共安全问题提供了一定的保障。然而监控设备在各个角落的全面部署,带来了一个新的问题,即如何在海量的视频数据中及时发现监控区域中是否存在异常事件,并有效地作出应对措施,也即如何基于监控视频进行智能化的人群异常行为检测。此问题也成为了计算机视觉领域的一个研究热点,吸引着众多研究人员的关注。近些年来,基于监控视频的人群异常行为检测技术得到了一定程度的发展,然而仍然存在着诸多难点亟待解决,如检测准确性、模型稳定性和正负样本分布不均问题等。本文主要研究基于深度卷积神经网络的人群异常行为检测应用。首先介绍了人群异常行为检测方面的相关知识,然后分别阐释了本文提出的两种异常行为检测算法,在公共数据集VIF和UMN上验证了本文所提算法的有效性,实验结果表明本文算法优于当前一些主流的群体异常行为检测算法,最后设计了一款基于本文提出算法的人群异常行为检测软件。本文主要的工作内容如下:1、从特征表示方法和深度学习网络模型两个角度,对本文用到的人群异常检测方面的相关算法进行详细研究。首先介绍了在底层特征表示方法中表现优异的光流法;然后讨论了基于流特征的表示方法,包括迹线、流线和脉线,以及三者各自的优缺点;最后研究了深度学习以及常用到的深度学习方法,其中对神经网络、卷积神经网络、双流CNN网络模型以及GANomaly网络模型展开了详细介绍。2、针对此前缺乏对视频数据的静态特征和动态特征进行有效融合的方法,以及目前存在的检测准确度和模型稳定性等问题,本文提出一种基于脉线流时域卷积神经网络的人群异常行为检测算法（SFCNN）,结合双流CNN网络和ResNet101网络,提取视频中的表观特征和脉线流特征,并将基于两种特征的检测结果进行融合,完成对人群异常行为的检测。实验结果表明,相比其它算法,该方法在VIF数据集上取得了 93.33%的检测准确率和89.99的ROC值,在UMN数据集上取得了 98.78%的检测准确率和98.58的ROC值。3、针对群体异常检测行为中样本严重分布不均的问题,本文采用无监督学习的方法设计了一款基于脉线流加速度的对抗网络模型（SFA-TGANomaly）用于人群异常行为检测,通过引入一组权重对空间子编码器、水平加速度子编码器和垂直加速度子编码器三者的结果进行融合得到多流时空编码器的潜在变量,再经由解码器构建的图像,根据一范数约束条件调整模型,同时引入超参对测试数据进行重组并进行异常检测。实验结果表明,相比其他算法,该方法在VIF数据集上取得了 70%的检测准确率和89.70的ROC值,在UMN数据集上取得了 86.3%的检测准确率和99.10的ROC位。4、基于本文提出的两种人群异常行为检测算法,设计并实现了一款基于视频的人群异常行为检测软件,该系统实现了视频文件的导入和导出、视频帧序列化、光流和脉线流特征的提取、光流加速度和脉线流加速度特征的提取、基于SFCNN和SFA-TGANomaly方法的人群异常行为检测等功能。