异常检测作为智能视频监控的研究难点和关键技术,其关键问题就是如何获得更好的特征表示,而深度学习相较于传统方法的优势在于可以自动地从海量数据中学习出有用的特征数据,为异常检测问题提供了一个很好的解决方法。本文首先简要介绍了异常检测的相关知识,并且针对现有的基于传统方法和深度学习方法的异常检测模型进行了分析,提出了将两者相结合的异常检测算法,并对最终的实验结果进行对比分析。论文主要做了以下几个工作:1、提出了基于Alex Net的异常检测模型。首先,对视频帧进行时间采样生成时空块数据,然后采用Alex Net网络对数据提取特征,并将其特征输出作为分类器的输入数据。最后在分类器训练阶段,选择以并联的组合形式来训练多个分类器;在测试阶段,基于“一人一票”的原则,以“投票”的方式进行最终的异常判断。在此基础之上,实验验证了隔帧采样的优势,并确定了最优采样间隔值;到网络深度不同对特征数据的表达能力不同,本文采用遍历的方法,确定模型的最优网络层数。2、提出了基于Alex Net+SAE和上下文信息的异常检测模型。本文采用了一种新的数据处理模型用于获得图像的空间上文信息及尺寸上下文信息。同时训练了一个多层稀疏自编码网络对Alex Net网络的输出进行特征数据降维,从而降低一类支持向量机的训练时间,并提高了检测率。本文通过实验验证了模型中SAE的最优隐含层结构,实现了模型优化,并将该网络的输出作为分类器模型的输入数据实现异常检测。本文在UCSD Ped2数据集、UMN数据集上进行测试,并取得了较好的检测效果。