一些由于不可测原因未达到足月便出生的婴儿,由于出生时的一些先天缺陷,产生脑性瘫痪、精神发育迟滞等严重的神经发育障碍的风险明显增高。神经发育结局异常的小婴儿早期在行为上表现为全身运动模式的异常,如在足月前及足月后1个月整体运动顺序缺乏变化性、单调,运动的幅度、速度和强度小。而在足月后2至5月龄观察不到遍布全身的各方向的小幅度中速运动,运动不流畅不协调。医生根据这些行为特点对小婴儿发育行为进行评判,并对评估异常的小婴儿给予早期干预,从而改善不良神经发育结局,这对治疗神经发育障碍性疾病,扭转其不良发育结局有很重要的意义。本文研究的目的是考虑是否可以用计算机视觉加机器学习的方法,代替传统人工判断,以提高效率。首先,本文对婴儿的异常行为进行了分析,选择对婴儿进行目标跟踪,以观察其运动时的各项数据变化。分析传统的Meanshift跟踪算法后发现,该算法简单且非常适用于本文的单一背景样本视频,但考虑其判断的条件较为简单,在原有算法的基础上进行改进,提出基于注意力机制的关于婴儿的目标跟踪算法,以更加适应本文的视频样本的跟踪。弥补Meanshift算子存在的一些缺陷,并在婴儿样本的跟踪上取得了不错的跟踪效果。其次,建立了关于婴儿多组特征的样本库。本文对于特征的提取,分别就基于运动轨迹的分析和基于人体特征的分析两方面进行了考虑,在考虑运动信号变化提取了基于运动轨迹的小波特征信息,基于运动轨迹的功率谱特征信息,在考虑婴儿运动过程中四肢运动的速度变化时提取了婴儿运动的速度特征信息,婴儿运动的加速度特征信息,以及婴儿的质心变化特征,在考虑基于人体特征情况下提取了婴儿质心数量特征。最后,本文提出一种基于多特征融合的婴儿异常行为检测框架,首先对婴儿目标进行跟踪,然后进行多组特征的提取分析,对于特征进行自适应的融合判断,最后得出婴儿运动是否异常的结论。其中对于婴儿的检测过程中,传统对婴儿异常行为研究,往往将婴儿做为一个整体来研究,本文考虑将婴儿分为上,下,左,右四个肢体部分以及全身整体这一共五部分分别来研究,分别对这五个部分进行多组不同特征的提取和分类,最后结合它们进行综合的判断。对婴儿身体躯干分块判断,提高了对婴儿身体各个部位的灵敏度和特异度,也对最后的综合判断给出了更强有力的数据支撑。