公安视频专网（以下简称视频专网）的应用使公安工作更高效,视频专网的安全成为研究关注的热点。网络异常检测技术能够有效的检测出如摄像头漏洞、弱口令等网络异常情况,为保障视频专网安全提供支持。当前,缺乏专门的视频专网异常行为数据,公网通用的网络异常检测模型也需要优化以满足视频专网环境的特殊性。据此本文从拓展数据和优化网络异常检测模型提升精确性的角度开展研究并获得主要成果如下:一、构建公安视频专网的模拟网络环境,提出验证算法指标并建立视频专网网络异常检测数据集。为探究视频专网中网络异常行为的具体特征,搭建网络环境,进行了渗透测试并获取数据。为确保数据集样本真实性,在某地公安视频专网中采集了原始流量数据并进行数据脱敏、清洗,将视频流量数据包中的十六进制信息转换为时间序列以保留更多隐藏特征,同时对攻击目标IP地址、时间、攻击手段等属性数据提取细化特征,按逗号分隔值（CSV）格式制作了视频专网网络异常检测（NAD-RVSN-2021）数据集。二、面向视频专网设计优化两个网络异常检测模型。其一是融合时间卷积神经网络（TCN）与注意力机制的网络异常检测模型。TCN具备更广的感受野,可增强模型对视频流数据时空特征的挖掘能力,其中的残差块使网络以跨层方式实现信息传递,能够实现深层网络训练。与此同时,利用注意力机制提升模型对不同网络攻击相关异常特征的注意力,进一步增强模型辨别网络异常的效果。在NAD-RVSN-2021数据集上,Accuracy为95.83%与卷积神经网络等基线模型相比提升了10%;在UNSW-NB15数据集上,加权Precision为72.39%提升8%。其他主要指标在KDD CUP99与UNSW-NB15数据集上较基线模型也有大幅提升。其二是融合Res MLP与LSTM的网络异常检测模型。残差前馈神经网络（Res MLP）可降低模型运算次数,更高效的提取数据的空间特征,结合长短时记忆神经网络（LSTM）灵活的门控单元,提升模型对视频流数据中时序特征的提取能力。在NAD-RVSN-2021数据集上Accuracy为95.83%,与基线模型相比提升了10%,加权Precision为97.06%提升了3%。在KDD CUP99和UNSW-NB15数据集上,主要指标较基线模型表现更佳。三、面向视频专网设计并实现网络异常检测原型系统。分析视频专网中前端设备、摄像头管理系统等特有网络异常行为检测需求,整合两个优化设计的视频专网网络异常检测模型,对检测结果进行可视化展示。通过对模拟网络环境渗透测试数据和NADRVSN-2021数据集进行验证,测试结果表明系统检测精度达95%,与预期结果相符。