目前,针对视频异常活动检测问题的研究已成为社会和政府日益关注的热点问题。在矿井领域,由于煤矿井下环境恶劣、噪声种类多、已有视频数据质量较差,已经严重影响到煤矿井下异常活动的识别和正常视频语义的描述,不利于智能化监测煤矿井下的安全生产,矿井安全隐患问题依然严峻。因此,有必要针对煤矿井下复杂场景的视频异常活动检测问题进行深入研究,为煤矿井下智能化监测及预警提供理论支撑和技术支持。在对煤矿井下视频异常活动检测时,首先需要通过关键帧提取算法,利用少量关键帧表征煤矿井下视频数据的语义要素,为此本文提出一种基于自适应Top-K的二次过滤关键帧提取方法,旨在采用一种自适应的阈值作为Top-K的K值进行关键帧提取。首先,针对煤矿井下视频帧,利用背景差分法提取视频帧中的运动目标;其次通过SIFT局部特征描述子提取运动目标特征,并拟合视频特征曲线;之后,通过一种自适应阈值的计算方法计算自适应阈值K的值;最后,依据K值对特征值进行Top-K算法的二次过滤,得到视频图像的关键帧。通过实验验证,本文所提方法可以有效、准确的提取煤矿井下视频的关键帧,为进一步视频异常活动的检测提供必要的数据支持。在上述基于自适应Top-K的二次过滤关键帧提取方法的基础上,本文提出一种基于图结构匹配的矿井视频异常活动检测方法,旨在采用图结构的方法匹配深度神经网络刻画出的有效特征,以便进一步分类识别。首先,利用VGG16+LSTM深度学习框架对视频关键帧进行特征提取,提取的特征结合了VGG16神经网络空间特性和LSTM神经网络时序特性;其次,利用图结构的方法获取特征图中最大连通图作为有效特征的刻画方式,以减少噪声点对算法结果的干扰;最后,经过SVM分类器针对煤矿井下活动进行检测和识别。通过在煤矿井下数据集进行实验验证说明,本文所提方法具有有效性和一定的鲁棒性,通过与传统SIFT特征提取方法以及已有CNN-LSTM神经网络方法进行对比分析,结果表明本文所提方法在存在复杂背景和光线不均匀等干扰要素的影响下,对煤矿井下复杂场景依然能够较好的进行异常活动检测,对比其他已有传统异常活动检测方法在性能上有所改善。