如今监控视频在日常生活中已得到广泛应用,而智能视频监控系统现有的功能还未达到用户的期望:即实时并准确的目标检测、精准的行为预警、数据完善的行为统计等。智能监控视频系统的研究已受到很多人的关注,而相关技术的发展仍有较大的提升空间。在行为识别方面,卷积神经网络算法以其智能化的特征提取方式和在复杂场景中准确识别的特性得到了相关研究人员的重视。本文针对教室监控视频异常行为检测项目,根据系统功能需求进行设计,以深度学习为基础构造了实时行为检测的深度神经网络,提出人物行为与交互物体的共同识别的方法并提高对小物体识别的效果。同时将提出的算法在PASCAL VOC2012行为数据集以及针对本系统设计的教室视频数据集上进行实验验证。主要研究工作如下:(1)针对教室监控视频异常行为检测场景,采用深度学习卷积神经网络结构达到了比传统算法更好的行为识别效果。将原有的传统卷积神经网络分类计算方法用回归算法替代,提高了目标检测速度,使卷积神经网络的行为检测速度满足智能监控系统对行为识别实时性的要求。(2)将实际场景中人物的行为与其身边的物体的相关性考虑进神经网络算法中。神经网络使用SPP技术提取出的场景中人物行为特征与交互物体特征,将参数数量不同的特征进行特征合并,并对行为特征与交互物体特征联合计算,提出行为与交互物体共同识别行为的方法。(3)根据本文提出的监控视频异常行为检测算法所存在的对小物体识别不佳的问题,引入了图像处理算法中的掩膜模块,实现对小物体识别率的提高,利用原有深度神经网络人物与交互物体特征联合算法,进一步提高人物行为的识别率。通过理论分析与实验得知,本文提出的行为识别神经网络算法适用于教室监控视频的异常行为检测,具有鲁棒性高、识别速度快、识别更准确的特点,对类似的复杂场景监控系统深度学习算法的进一步研究有重要意义。