作为模式识别的一个重要分支,场景理解一直备受国内外研究人员的广泛关注。目前,学术界的研究对象主要集中于正常场景图像,对场景异常识别方面的研究比较少。然而,在现实生活中,往往是场景中出现的异常现象会对人类的活动产生不利的影响甚至对公共安全构成潜在的威胁,故场景分类预测和异常场景识别均有研究价值。本文分别对场景理解中的目标识别和场景分类进行探讨分析,在改进既有的分类算法和识别算法同时,对给定的道路场景的异常区域进行识别,主要工作如下：改进了基于深度学习的场景分类算法。使用深度学习提取场景图像的代表性特征,结合交叉验证的思想对训练集进行分离重组,并以此训练多个SVM分类器,然后通过设计投票机制,训练多级SVM分类器对输入场景进行预测。实验表明,该方法具有很高的分类精度。给出了一种基于SIFT-Flow的异常场景图像检测算法。在给定的场景中,可能出现的物体的范围存在一定的界限。当场景中出现正常范围之外的物体时,便定义场景中发生了异常。为了更加有效地检测场景中的物体,本文提出利用改进后的SIFT-Flow算法对图像的局部特征进行描述。通过利用已标注的图像对SVM分类器进行训练,最终实现对输入场景图片的异常检测。实验表明,SIFT-Flow算法不仅能实现对相近场景的分类预测,还可以有效地识别异常场景,而且具有很高的识别率。应用Selective Search算法对场景中的异常区域进行分割。通过对场景中的感兴趣区域进行分割,利用各窗口的特征训练异常检测分类器,最终实现图像异常区域的识别。实验证明,该算法可以有效地分割出异常区域。