近年来,随着城市公共场所的规模越来越大,人群密集程度越来越高,抢劫、群殴、踩踏等性质严重的人群异常事件的发生频率迅速地增加,给公众的生命财产安全带来了严重的损害。如何有效的预防人群异常事件的发生、控制事故发展是一个重大的科研课题和社会课题。因此,本文针对中高密度人群,提出一种基于图分析法的人群异常状态检测算法,该方法具有良好的泛化能力。本文主要针对人群疏散、聚集、骚乱三种异常状态进行检测,并设计了相应的检测方法,研究内容涉及人群运动目标检测、人群网络图的构建、特征点的图分析、特征点的非监督聚类、人群特征分析等。主要研究工作如下:1)对于运动目标检测及信息提取问题,由于在密集的人群中,个体的运动类似于一个流动的质点在逐渐运动,本文采用了KLT特征点提取及轨迹跟踪方法,该算法具有计算速度快、准确度高、适用于更为复杂的情况等优点。2)根据人群可以模拟为由许多个体通过相互作用形成的一类网络化模型,可以用图论中的图来描述,以及群体中的个体只会与具有拓扑结构的固定数量的邻接个体集合相互作用,将由KLT提取的特征点作为图的节点,结合KNN提取的特征点邻接集合,构建人群网络图。另外,本文定义了一个特征点间的行为一致性准则,并提出了一个聚集度的描述式,用以衡量人群的密集分布程度。3)传统的聚类算法往往需要大量的训练样本,或者预先设定聚类数目,针对这个问题,本文提出了一种非监督的特征点聚类算法,在人群网络图的基础上计算特征点间的一致性,通过分析特征点间的一致性进行聚类。4)提出基于类分析聚集度、运动强度、运动方向方差、特征点聚类数等人群动态特征,将人群特征与疏散、聚集、骚乱三种异常状态特征相比较,判断人群是否发生异常。实验表明,本文算法的检测结果与人类感知基本一致,算法具有较高的准确性。