伴随着城市化进程的快速发展,电梯在城市高层建筑中的应用也越来越广泛,检测电梯轿厢中乘客行为安全也随之成为了人们关注的重点。原有电梯监控视频技术只能实现简单的录制、回放功能,需要人为对电梯监控视频中的异常行为进行排查,无法自动识别电梯轿厢内发生的异常行为。基于此背景,本文提出一种重构三维卷积光流特征融合的方法对电梯轿厢内的监控视频进行特征学习,实现自动检测电梯轿厢乘客异常行为的功能。本文以电梯轿厢内乘客的行为动作为研究对象,首先分析了电梯轿厢内常见的几种异常行为状态与正常行为状态共同构成电梯轿厢乘客行为数据样本集,并对采集的视频数据进行图像特征分析,用于判断电梯内是否具有运动目标,结合实际环境对三种常见的运动目标检测算法从检出率、漏检率以及检测速度多个方面进行评估与选择。其次,选择能够对视频帧图像特征自提取的三维卷积网络进行训练,并针对三维卷积网络难以优化的问题,采用一种基于重构三维卷积的异常行为识别方法,利用二维卷积与一维卷积拟合三维卷积,使得网络更易优化,同时为了加强行为信息对于识别结果的影响,加入光流特征对重构卷积网络进行融合。然后,研究了不同输入帧帧长以及不同优化方法对三种模型识别准确率的影响,对实验结果进行分析可得,重构卷积网络由于增加了网络的层数与非线性,相比于三维卷积网络在识别准确率上具有一定的优越性,加入光流特征的重构卷积网络识别结果更是达到最优。三种模型的最优识别准确率分别可以达到75.5%,85.26%与89.69%,对最终的重构卷积光流特征融合网络采用学习率调整与迁移学习两种方法进行优化,优化后的识别准确率为94.20%。最后,以Pytorch为深度学习研究框架,并结合前后端交互框架完成了异常行为检测系统的开发,同时对系统所涉及功能进行了相关介绍并最终进行了系统相关测试。测试结果显示,本文所提出的方法能够对电梯轿厢中发生的异常行为得到有效的检测,具有一定的应用价值。