伴随着人类社会城市化进程的发展以及城市人口的大规模增长,对在城市公共安全、社会反恐等城市安全治理的智慧化管理需求日益凸显。随着城市大范围高密度高清视频监控体系的建设运行,如何对这些海量的信息有效的分析利用,真正发挥城市公共安全事件及时发现和防控的作用,成为该领域深化建设的关注热点和必然趋势。本文结合现实需求,针对监控视频中群体暴力行为的识别和检测这一问题,从时空特征表征、字典学习方法两个层面进行了研究,提出了基于视频时空特征的群体行为识别算法,并完成了暴力群体行为检测系统的开发实现。本文的主要工作包括:1)对暴力视频时空特征表征效果进行了研究。本文针对群体行为识别问题,研究比较了MoSIFT,ViF,SC-ISA(Stacked Convolutional ISA)等不同时空特征对群体行为进行表征的效果,讨论了hand-design(人工设计)时空特征和非监督学习时空特征各自的优势与不足。2)提出了一种基于SFV(Stacked Fisher Vector,堆叠Fisher编码)的字典学习模型。本文提出的模型具有字典学习速度快,中层语义区分性强的优势。3)提出了一种基于SC-ISA特征和SFV字典学习模型的暴力群体行为检测算法。本文提出算法对视频的信息描述准确,语义表征全面,在公共暴力群体行为数据集Crowd Violence dataset上进行了准确率和检测速度的测试,检测结果优于同问题下的其他先进算法。4)论文在算法工作的基础上,设计并实现了基于深度学习的群体行为识别和检测平台,该平台对室外开放场景发生暴力群体行为有较好检测效果。