随着人工智能技术及云计算的兴起,计算机视觉监控的理解和分析也成为了学术界和工作界的研究热点。尽管现今智能监控技术应用普遍,但是仍存在以下挑战:在海量监控数据中无法做到准确高效地分析视频行为信息;在异常活动检测任务中的虚警率较高。针对以上问题,本文结合深度学习理论,研究了视频异常行为分析,设计了多尺度时序的视频特征提取算法快速分析监控视频,构建基于图卷积降噪的异常检测框架,开发并实现了一个基于深度学习的校园智能监控系统原型,实验数据表明在实时性和准确率都取得良好的性能,本文主要研究内容如下:（1）设计了一种多尺度时序的特征提取算法:由于卷积特征提取网络在时间效率和时序信息上存在一定的限制,导致其在校园内人群密集的环境下无法快速准确分析监控视频。本文利用深度可分离卷积对C3D（Convolutional 3D）网络进行改进,加入多尺度时间卷积核捕获复杂行为在较长时间的信息。在公开数据集UCF-101上进行测试,实验表明,该算法简单高效且鲁棒性较强,能够捕捉更多样性的行为特征。（2）设计了一种基于图卷积视频标注降噪的算法:由于现阶段的异常检测模型在具体应用中存在较高的虚警率,对异常事件的判断准确度不高。本文提出了一种基于图卷积神经网络的降噪算法,把弱标签下多实例问题转变为噪声标签的监督学习,在冗长的视频中提炼视频的高置信异常片段。实验表明该算法可以提高监控下的异常检测准确率,很好地解决行为间的判定界限,有效降低虚警率。（3）构建了一个基于行为分析的视频异常检测框架:在行为分析算法的基础上,增加异常检测技术,通过对视频中的行为判定分析视频异常情况。本文构建了一种端到端的视频异常检测框架,利用多尺度时序网络和图卷积降噪的交替训练,来检测行为异常,实验测试表明该框架几乎可以达到实时性,具有现实应用的可行性。基于上述研究内容,开发并实现了一套校园智能监控系统,该系统通过对校园视频进行分析,生成校园异常分值表等统计图;采用综合条件查询,能查询拍摄区域一个月或一年的异常次数和录像信息。本文研究成果能提高校园内的异常检测实时性和准确率,节省人工监察、时间成本,协助管理员确保校园安全情况,为深度学习应用于视频分析研究做了有益探索,在校园安防上有重要的研究意义和推广价值。