随着监控摄像头在日常生活中的普及,监控视频数据呈爆炸式增长态势,仅仅依靠人工对视频监控进行异常行为筛查已经不能满足社会公共安全的需要。由此,基于深度学习的自动化异常行为检测得到了人们的重视,其任务是从视频中识别出明显偏离常态的事件,可以细分为基于视频和基于人体关键点的两大类检测算法。基于视频的异常行为检测算法已经取得了不少成果,但是这类算法将整个视频帧区域都用来学习特征,帧内信息包含了动态环境和复杂背景,增加了检测系统的处理开销,而且学习到的特征很多时候不能集中在行为上。基于人体关键点的异常行为检测是将人体关键部位抽象为人体关键点,可以更紧凑、更具体、更结构化地描述人体行为,并且不包含环境背景等冗余信息。因此,基于人体关键点的异常行为检测算法逐渐引起了研究者的关注。本文针对异常行为具有未知性,从而导致系统难以定义和检测异常行为的问题,提出了基于动态人体关键点时空图的异常行为检测算法（Dynamic Spatial Temporal Graph of Human Key Points on Abnormal Behavior Detection,DGHKP）。该算法构建动态人体关键点时空图来表征人体行为,利用图卷积网络提取行为特征,对所有样本进行聚类后,异常行为样本会远离聚类中心,根据局部密度的不同来筛选离群样本,完成异常行为的定义和检测。实验对比结果表明,DGHKP算法具备轻量化部署的优势,对异常行为有较好的检测效果。本文针对异常行为的发生频次远低于正常行为,正异常行为样本数据量极不均衡从而导致检测系统有效性差的问题,提出了基于人体关键点数据重构的异常行为检测算法（Reconstructing Human Key Point Data for Abnormal Behvior Detection,RHKPD）。该算法在保留原始数据主要特征的基础上,依据动态随机概率对不同关键点添加噪声信息,重构获得新的行为样本,以实现正异常行为样本数据量的均衡,然后利用图注意力网络进行特征学习和异常行为检测。实验对比结果表明,RHKPD算法可以提高正异常行为样本数据量极不均衡场景下的检测系统有效性,降低异常行为检测系统的误检率和漏检率。