视频异常检测一直是计算机视觉领域的研究热点，在周界安全问题，行为异常检测以及智能交通领域都拥有火热的关注度。其中尤为重要的是基于视频异常检测的周界入侵防范。周界入侵检测是安全防范技术的一个重要组成部分，是现代安防建设的一个重要研究方向。目前比较成熟的周界入侵检测技术在检测结果的表现上都不尽如人意，如微波探测器、振动探测器和磁开关只适用于室内环境；红外探测器、泄漏电缆、振动光缆、张力外墙误报过于严重；视频监控系统对环境比较鲁棒，也是最近比较流行的周界防范措施，但缺少主动报警的能力。　　基于此，本文提出一种基于视频异常检测的周界入侵防范方法。本文通过在现有视频监控系统中引入行人检测算法，实现对入侵目标的准确识别，排除动植物等干扰因素，从而有效降低系统的误报率，提高系统对环境的鲁棒性；机器自动检测能力使得监控系统在无人工监视的情况下也能实现主动的周界入侵检测。　　针对目前行人检测算法姿态鲁棒性差、分辨率要求高的缺点，本文提出了基于傅里叶描述子和方向梯度直方图的行人检测方法，利用傅里叶描述子对行人姿态鲁棒性高、图像分辨率要求较低的优点实现适用于低分辨率图像的行人检测算法。针对当前已有行人检测算法场景适用性较差的问题，本文提出了基于改进卷积神经网络的行人检测方法，该方法在深层特征的基础上融入浅层特征，利用浅层特征校正深层特征在识别目标过小时的局限性。最后本文将两种算法进行融合，实验结果显示本文的行人检测方法对行走、爬墙、跳跃姿势下的行人均具有较高的识别率，同时对围墙，走廊，铁轨等多种环境也具有很强的适用性。