集体行为是指在运动场景中具有相似或一致性行为模式的运动个体集合。集体行为广泛存在于生活当中,并在近些年以来一直是研究的热点问题。引起这些集体行为的原因有很多,如何对集体行为进行更准确更快速的描述和表示,一直是研究者们致力解决的一个重要问题。集体行为的识别在异常行为检测,视频监控等与人民群众生活息息相关的方面都有着重大的意义和作用,已经越来越受到人们的关注。在视频运动场景中集体行为的识别工作中,复杂交互个体间的相似性度量长期以来一直是个关键问题。作为经典的针对图的划分的聚类算法,归一化分割方法(Normalized Cut)在解决复杂运动场景或较为不规则的运动问题时,不能够较好的对集体行为进行分析与识别,准确率和效率都已不满足现阶段的研究需求。在本文中,针对现阶段研究过程中存在的难点和问题进行了针对性的分析和研究,本文提出了一种能够处理多种复杂场景基于分层聚类分析的集体行为识别,完成的工作如下:(1)本文提出了一种基于德劳内剖分的复合相似性度量方法,融入运动个体的位置信息、朝向信息和个体间的邻接拓扑关系对个体间的相互作用进行多角度的分析与计算;(2)本文提出了一种分层聚类分析方法来识别集体行为的运动模式。算法对视频场景中的运动个体进行区域凝聚聚类,得到聚类子类之后根据子类个体间的邻接关系,对聚类子类进行整体邻接融合,从而进行分层次的聚类分析,最终达到整体运动模式识别最优;(3)本文提出一种相邻子聚类的合并算法,针对经典聚类方法中的归一化分割方法(Normalized Cut)中聚类个数需要提前设定的局限性,在判断子聚类邻接关系之后,利用邻接熵阈值合并邻接子聚类,最终自动确定集体行为簇的个数。在处理多种复杂场景时都具有较好的准确性和稳定性,并在数据集的多种场景中进行实验验证。本文在多种场景的视频数据集上进行实验和评估,讨论了实验参数的设置,并与现有研究方法的实验结果进行对比,验证本文所提方法高效性和准确性。。