随着视频监控的普及，取代人工的智能监控技术受到极大的关注。作为一项快速发展且日益精进的信息技术，智能监控应用领域覆盖了日常生活，公共交通，军事航天等等。　　本文对异常行为检测的方法进行深入研究，提出一种基于目标提取和稀疏编码的视频异常行为检测方法，通过Harris-Corner算法检测空-时兴趣点，通过自适应背景更新算法与细分割得到空-时视频量，并使用HOG3D空-时描述器表征视频序列的形态及运动信息。检测过程是，首先，从正常视频序列中提取运动目标的感兴趣区域，获得其特征向量，作为训练样本。通过K-SVD字典训练算法构建过完备字典，使得正常样本在所构建的字典上的表达具有很好的稀疏性。在异常判别过程中，按视频检测尺度获得测试样本，求解特征向量在字典上的最小重构系数，然后根据稀疏编码改进公式求得重构误差数值。最后的判别阶段，计算视频段的相对重构误差，相对重构误差为正则表明为异常视频段，否则为正常。本文提出的方法在UMN数据库三个场景及Weizmann数据库上进行实验并验证了算法的有效性。本文还将实验拓展到现实监控视频中，结果表明本文方法在实践中同样具有较好的应用价值。