随着中国经济的腾飞和国家城镇建设的加速,人群密集的公共场所及监控设备的数量大量增加,传统监控设备的用人成本也成为了不得不考虑的问题。所以急需一种能够代替人工对视频监控进行实时异常事件检测,由此新一代智能监控设备的研发提上了日程。作为该监控设备的一项核心功能,视频异常事件检测算法是目前最重要的攻关技术难点。现有的异常检测算法存在两个问题:标注的异常视频数据集较少和不同场景下的异常检测模型需要重新设计。针对以上两种问题,本文提出一种基于视频预测的异常检测方法,基于弱监督学习进行设计,不需要对视频中的异常帧进行特别的标注,就可对视频中的异常事件进行检测和定位,针对正常事件进行建模,因此可应用在大多数监控场景,不需要对模型进行特别设计。本文的主要研究内容如下所示:（1）针对当前视频帧预测模型中存在的预测准确度较差和物体结构信息丢失等问题,改进提出了一种动态卷积生成对抗网络（Convolutional Dynamic Neural Advection Generative Adversarial Network,DC-GAN）。该方法首先使用Conv LSTM初步提取输入视频流的图像特征,然后利用卷积神经动态平流单元（Convolutional Dynamic Neural Advection,CDNA）对视频流中的运动特征进行提取,最后将上述两种特征组合后输出一组预测视频帧。实验结果表明:无论是在长时间视频帧预测准确度和物体结构信息保留方面,还是视频帧图像中物体的运动趋势预测上,DC-GAN均优于同类型的方法。（2）本文以公开场景下视频监控中的异常行为和事件作为研究对象,改进提出了一种基于动态卷积生成对抗网络的视频异常行为检测算法。该方法基于弱监督学习方法进行设计,不通过重建训练数据来进行异常检测,而是将异常数据和预期的正常数据进行比较来进行视频异常事件的检测。模型生成网络基于U-Net网络,结合卷积神经动态平流单元作为动作预测模块,引入一种基于光流估计的运动损失,保证了动作预测模块的作用。判别网络是由一个3D卷积网络和全连接网络构成的二分类网络,该网络能够一次性接收整个视频序列,并判断出视频是不是预测视频。（3）本文在CUHK数据集、UCSD数据集和Shanghai Tech数据集三个数据集上进行了损失函数的消融实验,并且与现有主流视频异常检测算法进行了对比实验。在AUC-ROC和Δs等评价标准上对相关网络进行了评估。经过充分实验,本文所提出的模型在三个数据集上均取得了较高的准确度,其中对UCSD数据集的实验中,在AUC和Δs指标下分别95.3和0.432的最好结果。本文提出的基于DC-GAN的视频异常检测算法,在三个数据集下都表现出了较高检测准确性和鲁棒性,能够对监控视频中的异常事件进行准确识别和定位,并且实现了检测速度和精度较好的平衡。