目前文物安全形势严峻,频繁发生的古墓葬盗掘违法犯罪案件,已造成我国经济和文化的重大损失。视频监控已成为古墓葬防盗掘的重要技术手段,然而,目前监控视频往往在古墓葬盗掘事件发生后,才被用来作为取证的手段,而且在取证时,又存在从海量存储视频中搜寻与古墓葬盗掘相关动作事件信息效率低的问题。本文引入了人工智能技术,设计并实现了针对古墓葬盗掘的异常行为识别系统。该系统采用人工智能技术对监控视频进行动作检测,然后采用隐马尔可夫模型对检测到的多个动作序列进行异常行为分析,使得文博单位能利用监控视频及时对古墓葬盗掘异常行为进行预警。主要的工作包括:1)在对古墓葬盗掘异常行为特点和系统需求进行了分析之后,设计一种端到端的古墓葬盗掘异常行为识别处理框架。系统主要由模型管理、数据获取、在线视频动作检测、异常行为识别等模块构成。系统采用了基于Analytics-Zoo技术以满足兼容不同深度学习网络模型的加载需求,降低了更新模型的实施复杂度;采用了基于Flink的计算框架技术以提高系统的计算效率,并使得系统具有可扩展性。2)设计了基于BMN和PGCN的视频动作检测模型,采用I3D模型对视频进行预处理,BMN模型对视频中动作进行定位,PGCN模型分别对视频动作定位进行优化和对视频动作进行识别。针对自建的古墓葬盗掘的动作数据集,对本文设计的视频动作检测模型和其他模型进行了性能评估,实验表明本文基于BMN和PGCN的视频动作检测模型在准确率上相比于其他模型更高。此外,进行了计算效率评估,采用了基于Flink的处理框架后平均每秒处理帧数有较明显的提升。3)针对单个动作事件不能准确判断是否存在古墓葬盗掘异常行为的问题,设计了基于隐马尔可夫模型的异常行为识别方法。该方法由数据集生成、模型训练和异常行为识别三个模块组成。数据集生成模块以有无封土的古墓葬防盗掘为背景,根据领域知识设置了隐马尔可夫模型的状态转移概率矩阵、观测概率矩阵和初始状态矩阵以及古墓葬盗掘异常行为判断的标准,并实现了数据集的生成;模型训练模块采用极大似然估计法得到了隐马尔可夫模型的模型参数;异常行为识别模块采用viterbi算法计算出与观测序列对应的最大概率的隐含状态序列,通过对隐含状态序列分析,实现对古墓葬盗掘异常行为的判断。本文验证了该方法的可行性,并在系统实现上提供了模型参数可配置功能,可根据实际古墓葬环境和历史案件特征进行个性化设置。本文系统在功能上实现了视频动作检测以及异常行为分析等功能,为文博单位提供了一套针对古墓葬盗掘的异常行为识别系统,为古墓葬防盗掘提供了预警信息,进而能提升文博单位的文物保护能力。本文采用Analytics-Zoo的模型加载API技术使用系统能兼容不同深度学习模型,能满足不同的监控场景下部署不同模型的需求。本文设计的异常行为识别处理框架采用了Flink的计算框架技术,使得具有系统的扩展性,能把计算分析任务调度到更多的计算节点上执行,满足并行处理分析多路监控视频的需求。