随着网络和计算机相关技术的不断发展以及人们公共安全意识的日益加深,视频监控系统作为常见的安防措施正受到广泛关注,其智能化发展越来越受到人们重视。其中,通过基于视觉的运动行为理解技术进行运动对象异常行为识别是视频监控系统智能化的关键。论文在广泛阅读与调研国内外相关研究的基础上,针对目前视频运动对象异常行为识别存在的相关问题与不足,对基于视觉感知运动对象行为理解进行了深入研究。论文主要特色与贡献体现在如下方面:提出了一种基于流体力学拉格朗日动态粒子流特征提取方法。结合光流法和动态粒子,将视频前景对象的运动映射为有效反映其运动变化状态的动态粒子流,通过分析粒子运动轨迹反映运动对象的运动状态;同时为了提高算法计算效率,采用粒子动态投放和删减算法,自适应调节视频场景中粒子数量与密度。实验结果表明,所提方法在不需识别运动对象以及运动跟踪的前提下,在可有效提取视频运动行为特征的同时,具有高效计算效率和性能,可满足基于普通硬件平台条件下的异常运动行为识别要求。提出了一种基于稀疏粒子流场视频异常行为在线检测方法。通过对底层稀疏粒子流场所获取的运动信息进行统计分析,在剔除背景干扰信息的同时,提取反映运动对象的不稳定性运动特征。在此基础上,采用动态阈值策略进行运动行为正/负常的行为判别,克服实际监控环境中运动行为因多义性和场景多样化带来的不利影响。实验结果表明所提方法有效、可行。提出了一种基于动态贝叶斯决策视频异常行为识别与定位方法。由于单一运动状态特征无法有效反映运动的完整状态,同时异常行为的多义性导致手工特征很难准对其进行描述,通过光流运动场提取反映运动状态的基本元素特征,通过运动方向、运动幅度以及运动阻力构造多通道运动特征。在此基础上,基于高斯混合模型在线学习多通道运动特征,获取基于图像子区域的运动特征统计模型,从而将异常行为识别问题转换为贝叶斯决策问题,并将在图像子区域内偏离上述统计模型的运动特征判定为异常行为。实验结果表明,所提方法具有优良的识别结果。提出了一种融合粒子运动时空域变化信息的运动轨迹时间编码方法。基于运动轨迹刻画物体如何在空间中移动及其位置变化,反映运动模式和能量空间分布。基于动态粒子运动轨迹进行运动时间编码,从而将视频运动演化模式以视觉行为模板的形式显现,并通过伪彩色编码增强视觉特征表现力。相比于空间运动轨迹,所提时间编码轨迹方法可有效提高识别效果。提出了一种基于双流卷积深度学习异常行为识别方法。通过将拉格朗日粒子运动轨迹与时间序列动态演化相结合,获取反映视频场景中的运动行为时间演化模式及其基于色彩编码的动态轨迹演化图,采用基于时变均值矢量数据平滑方法以获取稳定的视频信号特征。在此基础上,结合深度学习双流框架,采用卷积池化策略进行运动对象外貌表观特征信息与运动特征信息融合,实现视频监控场景运动异常行为自动识别。通过实验对比与分析,结果表明所提算法不仅具有鲁棒的运动行为模式描述能力,且可有效识别异常行为。