人口和活动多样性的增加,使得人群现象无处不在。一旦在人群中发生意外事故,将会带来巨大的损失,如能利用广泛分布的监控设备来实时发现异常情况,将可大大降低损失。但是人群密度高、模式变化快、场景中存在着巨大的遮挡等挑战,使得传统视频监控技术不能直接应用于人群场景,这使得人群异常事件检测仍是一个有待解决的问题,成为了领域的研究难点和热点。因此,研究人群异常事件检测方法具有巨大的研究价值。本文在密集场景时空建模的基础上提出了一种基于多尺度时间递归神经网络的人群异常事件检测和定位方法。并基于该方法提出一个基于多尺度时间递归神经网络的人群异常检测和定位系统的构建方案。主要研究内容包含以下几个方面：(1)使用时间递归神经网络对视频序列进行建模,发现空间维度的相互依赖关系以及时间维度的相互依赖关系。首先,将人群场景进行网格化划分,计算每一帧的光流,并从各个局部网格中提取多尺度光流直方图特征；然后,链接各个局部网格特征作为整体的人群动态,并将整体人群动态当作时间序列；最后,利用时间递归神经网络模型同时对时间维度的关系和空间维度的关系进行建模。利用时间递归神经网络的隐含层来发现人群场景中的相邻网格之间的关系,利用反馈节点来发现时间维度的关系,利用时间递归神经网络的输出层对不同网格进行判别,以此来发现和定位异常事件。(2)基于空间局部性,对时间递归神经网络进行改进,提出了一种多尺度的时间递归神经网络模型,来更好的发现异常事件。主要利用多尺度时间递归神经网络的隐含层来发现人群场景中的不同尺度的相邻网格之间的关系。(3)通过与多种代表性的方法进行对比实验验证了本文提出的方法的有效性并分析本文提到的方法比经典方法更好的原因,以及多尺度的时间递归神经网络模型要优于时间递归神经网络模型的原因。(4)基于本文提到的方法,提出一个基于多尺度时间递归神经网络的人群异常检测和定位系统的构建方案,对该系统的系统架构以及核心功能进行说明,并说明该系统所具有的优点。