人体异常行为识别作为计算机视觉的一个研究热点，广泛应用于各个领域，对改善和提高人们的生活质量具有重要的实际意义。由于人体动作本身以及外部环境的复杂性等问题，基于视频的人体异常行为识别研究还面临众多有待解决的难点问题。本文主要从特征提取和检测算法两方面进行了新的探索研究，并取得了较好的研究成果。人体行为描述的难点在于行为信息的准确性与稳定性，本文首先采用特征测试的方法筛选出适应性及稳定性较强的时空兴趣点特征作为基础特征，并采用3维尺度不变特征变换描述子（3D SIFT）对其进行描述。进而本文提出一种新的人体行为特征描述方法，即在基础特征上进一步结合时空兴趣点的全局位置分布信息共同作为运动特征表示。针对以往3D SIFT描述子维数较高的问题，本文提出对特征在单帧以及所有帧之间进行两次联合主成分分析降维处理，并进一步特征量化与选择，去除冗余，得到包含人体行为关键数据的特征表示。最终本文利用AdaBoost迭代算法与传统支持向量机相结合进行异常行为检测，利用AdaBoost算法选取重点训练样本，最后将每层训练的弱分类器联合构成一个优异的强分类器，并在公开的KTH数据库进行算法验证，结果表明，利用本文行为特征结合检测算法使得异常行为正确检测识别率有了大幅度的提高。本文通过对人体行为特征以及检测算法的进一步研究与改进，使得行为特征对运动的描述更准确、简洁，有较强的稳定性。检测算法能够充分利用训练样本的关键样本信息，整体达到较高的识别效果。