监控摄像机在日常生活中己经广泛应用,由于使用者一般将摄像机的输出视觉信息记录下来,当发生异常情况后,相关人员才通过记录的结果进行处理,并不能充分发挥其实时性监督的作用。我们需要的监控系统是在人工智能的基础上,对视频图像帧中的运动目标进行智能识别分析,不仅能够对监控视频中的运动人体目标进行智能的分析和判别,而且能够识别运动目标的身份或者判别运动目标的行为类别,从而减少监控成本,提高视频监控的实时性,减少不必要的投入。本文做了大量仿真实验,仿真实验中所用到的训练样本和测试样本都以中科院自动化研究所的行为分析数据库(CASIA)为主,通过深度学习中的深度信念网络方式对人体异常行为进行检测分析与分类,主要对跑、跳、弯腰走、下蹲、跌倒五种人体行为进行分类识别。主要研究内容是人体异常行为的分析比较,涉及运动人体运动目标的前景检测与提取、视频关键帧的提取、异常行为分析判别等。本文对几种常用的运动目标检测算法进行分析对比的基础上,选用背景减除法中的混合高斯模型(MOG)获取视频静态背景,然后背景减除进行前景提取即运动人体目标,对前景图像的噪声和空洞进行图像滤波和图像预处理,使运动人体目尽可能的完整清晰;本文对数字图像处理中常见的几种滤波算法进行了实验对比分析,最后选用一种新的滤波方式,基于控制连通域与形态学处理的滤波方法对视频帧即前景图像进行图像滤波。论文提出提取关键视频帧的方式,对监控视频进行筛选,通过运动人体的重心和高宽比的变化率选取视频监控中的关键视频帧,对关键视频帧进行截取和相关处理,以便适应深度信念网络(DBN)识别模型的训练;论文对深度学习中的深度信念网络进行了深入研究,针对监控视频分析创建了能够有效识别人体异常行为的深度信念网络的框架。最后,本文通过对人体异常行为识别分析的研究,通过实验,验证算法有效性,在VS2013开发平台上,采用MFC设计系统界面,使用开源的OpenCV3.0视觉类库设计识别算法,实现人体异常行为检测系统,本文所提出的算法能够有效识别五种异常行为。