近年来,随着网络技术的发展,监控系统在各行各业的应用越来越广泛,像通信,交通,安全等领域,天网系统更是走进了大街小巷。而随着公共安全意识的提高,监控摄像头大量用于公共安全领域,像地铁站,高铁站等场合,对于公共安全领域来说,理解视频中人的行为对于及时发现公共场景中可能发生的异常事件具有重要的意义。现如今,监控摄像头大量用于考试场合,像中考、高考等重要考试在考场中都会有监控摄像头辅助监考老师进行监考,这保障了考试的更加公平和公正。面对这些海量的监控视频数据,如果单靠人工去进行监控识别会耗费大量的人力物力,而且由于考场环境的特殊性,投入大量人力去进行监控识别是不现实的。因此,为解决面向考场监控视频的考生异常行为检测问题,本文利用考场监控数据和深度学习方法,设计了面向考场监控视频的考生异常行为检测模型,并开发了相应的监控系统,以实现对考场中考生行为的识别,这有助于及时发现考场中考生可能存在的异常行为,与监考老师实现互补,保证考试的更加公平公正。本文的数据集来源是真实考场环境下的考场监考视频数据,由于考场不同,视频角度存在较大差异。与目前公开的行为识别数据集相比,考场数据集场景更加复杂,主要表现在以下几方面。考场中考生数量多,由于摄像头角度问题,考生之间遮挡现象严重,因此,想要准确识别每一名考生比较困难。此外,考生的异常行为样本相较于正常行为样本数量少,数据不平衡性严重。数据标注也需要花费大量的人力。而且由于摄像头角度问题,距离摄像头近的考生在视频占比更大,距离摄像头远的考生在视频帧中占比更小,属于小目标。在行为识别领域,小目标的行为识别研究一直不受重视。本文需要根据考场这一复杂的真实场景寻找能够识别小目标行为的有效解决办法。针对上述问题,本文的主要工作如下:（1）提出了面向考场监控视频的考生异常行为检测算法。采用真实考场场景的考试视频标注了考场数据集,标注内容包括每一名考生的行为类别和目标框信息。针对考场中考生目标小,存在遮挡的问题,提出了两阶段的方法,目标检测和行为识别。目标检测阶段针对遮挡问题,引入了地球移动距离损失,提高了对考生目标检测的准确率。行为识别阶段,使用了不同的数据增广方法,并引入了特征金字塔结构,这对小目标考生的行为识别能力有了极大的提升。针对数据不平衡问题,采用带权重的损失函数和带权重的采样策略,提高了对异常行为的识别能力。最后,本文模型在考场数据集上实现了较高的识别准确率。（2）设计了面向考场监控视频的考生行为检测系统。通过摄像头的网络接口获得视频流数据,模型处理视频流数据,得到每一名考生的行为类别和位置信息,通过可视化每一名考生的行为类别和位置信息,帮助工作人员查看考场中可能存在的考生异常行为,从而保证考试的更加公平公正。