计算机视觉作为人工智能领域研究的热点,在无人驾驶、智慧交通、视频检索以及人机交互等领域已经得到广泛的应用。视频序列中异常行为识别是计算机视觉研究的重点和难点,基于卷积神经网络提取特征进行行为分析和识别的算法,在处理视频序列任务上优于传统手工特征方法的性能。本文主要研究优化的卷积神经网络模型人群异常行为识别方法,实现对运动目标的精确获取、深层次特征提取以及提高卷积神经网络在泛化性和非线性拟合方面的性能,旨在提高人群异常行为检测的准确率。首先,针对在实际应用中运动目标的提取易受环境的干扰,获取特征信息不够理想,算法对运动目标的语义信息读取比较局限。本文在处理视频序列数据时,采用高斯混合模型对视频序列中的运动目标进行精确提取,减少复杂环境对运动目标提取的干扰。其次,传统卷积神经网络提取非线性结构特征信息的能力具有局限性,本文提出优化卷积神经网络的结构,通过对卷积层嵌套mlpconv层,增强卷积神经网络从局部提取运动目标深层次特征的能力,获取的特征更具有鲁棒性。本文构建的嵌套结构使用激活函数ReLU作为激活函数层,多层感知器能够抽象更具代表性的特征,使得非线性单元能够产生比较稳定的分布提取非线性特征。最后,本文使用全局平均池化层替代全连接层,全局平均池化层对每个特征图进行全局均值池化得到每个特征图的输出,通过强制特征映射和类别之间的对应关系,并将特征图解释为类别置信度图。在全局平均池层中不需要大量训练调优的参数,降低了训练参数数量,使模型更加健壮,抗过拟合效果更佳。实验结果显示,本文构建的卷积神经网络嵌套结构使卷积神经网络在泛化性能和非线性拟合能力均有提高,对异常行为检测取得较高的准确率。