大型商场内布控的监控系统为保障商场的正常运营、消费者的人身安全发挥着巨大的作用。但监控人员长时间紧盯监控屏幕易引发视觉疲劳,进而可能出现行人异常行为漏检的情况,严重威胁到商场的公共安全。虽然视频分析技术在监控系统中逐渐推广应用,但在商场内异常行为的处理方面,还未取得理想的效果。因此,本文以大型商场为背景,以双人打架、破坏公物和摔倒行为作为待测目标,通过对人体关节点检测算法、人体异常行为识别模型的研究,设计了针对监控视频的人体异常行为检测方法,配合监控人员及时发现异常情况,具有重要的公共安全研究意义和一定商业应用价值。为了获取到视频中的行为关节点信息,分析了OpenPose人体姿态估计算法的检测原理,并与Alpha Pose的检测性能进行实验对比。出于对算法处理速度的考虑,确定本文以OpenPose为基础进行关节点检测算法的研究;为了进一步提升OpenPose的运行速度,将OpenPose特征提取阶段的主干网络换成基于深度可分离卷积的Mobile Nets网络,并对特征细化阶段冗余的卷积结构进行合并,并将六个特征细化阶段精简成三个阶段,从而得到一种能够平衡检测准确率与速度的模型。实验结果显示,改进后的OpenPose模型在检测准确率下降很少的情况下,模型的计算量大幅度减少、运行速度明显提升,为人体异常行为的快速检测打好了基础。为了实现视频中人体异常行为的识别,本文引入图论的思想,以时空图卷积网络为基础展开研究。由于原网络中图卷积对节点的特征更新方式单一,导致模型对行为的分类性能较差。为了提高识别的准确性,增加模型对关键节点的特征聚合能力,采用了图注意力网络的思想,通过图注意力机制计算节点间的注意力系数,突出对行为判别起关键作用的节点,使模型对其特征进行自适应聚焦;搭建了人体异常行为识别模型,并在自行建立的骨骼行为数据集上进行实验,证明了融合图注意力机制的人体异常行为识别模型的识别性能要高于时空图卷积网络,同时与其他几种基于骨骼关节点的行为识别模型进行对比也表现最优,证明了融合图注意力机制的模型在异常行为识别任务上的有效性。利用Visual Studio Code、Php Study等平台,设计并实现了人体异常行为检测软件的各功能模块;同时在实际数据上对本文设计的人体异常行为检测方法进行测试,结果证明,其准确度和处理速度能够满足对监控视频检测的要求,可以作为商场监控系统中的辅助监测手段。