考试在校园环境中是一个十分重要的事件，对学生和老师都有着很重大的意义。近年来电子监考广泛应用到各中高校中，全国性的重要考试也均使用了电子监考系统。由于考生人数众多和考场数量较多，必然会给监控系统带来十分庞大的数据量，如果全部使用人工处理，会占用相当大的人力资源，并且随着人的疲劳度上升，对于数据处理的效率和准确度都会下降。为了降低处理视频数据时对人的依赖，使用计算机对监控视频进行分析理解，本文针对考场这一特定环境，分别使用机器学习和深度学习方法，对考场异常行为识别进行研究与实现。　　首先，本文对考场环境中经常出现的考生行为进行分析，定义了考场中的异常行为，同时建立了一个关于考场行为的数据集。该数据集中包含了考生在考试时正常的考试动作，还包含了在考试中考生经常出现的异常行为。由于监控系统的普及，考场中往往存在多个摄像头，考场行为数据集就使用了考场中前后两个摄像头，记录了不同视角下的考场行为。　　其次，在研究视频处理技术和异常行为识别方法的基础上，实现了基于稀疏编码和字典学习的考场异常行为识别方法。该方法通过对监控视频进行网格划分，提取正常考试的监控视频中考生的动作特征，训练出正常行为的特征字典。之后，利用特征字典对测试视频的各区块进行表示，通过重建误差的大小来判断区块内是否存在异常行为，在考场行为数据集中有着一定的异常行为识别正确率。　　最后，深入研究了近年来发展迅速的深度学习技术，在学习卷积神经网络处理视频数据的方法后，在传统3D卷积神经网络的基础上改进了网络结构。同时，考虑双摄像头的考场监控系统，可以从不同视角观察考生的考试行为，提出了基于双视的考场异常行为识别方法。结合改进的3D卷积神经网络和双摄像头的监控系统，设计了双路网络结构的视频特征提取器，提取不同视角下的考生行为特征，并将两路网络提取的行为特征向量进行融合。通过提取正常考试行为的特征向量，在LibSVM中训练出考场行为的分类器，测试时通过分类器对测试视频的特征向量进行分类，由此判断测试视频中是否存在异常行为。该方法使用双视角的视频特征进行异常识别，在考场行为数据集中有着较高的识别正确率。