随着信息化的发展,大数据的爆发,视频量越来越大,视频异常检测也成为了计算机视觉领域研究非常重要方向之一。本文对国内外关于监控视频异常事件检测的研究进行了深入的总结,介绍了异常检测的相关知识,运用深度学习方法进行视频异常检测,并对最终的实验结果进行对比分析得出结论。论文主要内容包括以下几点:(1)基于重构误差的异常检测。运用Conv-LSTM单元去构建自动编码器重构误差,模型只训练由正常场景组成的视频帧,目的是最小化学习输入数据与输出数据之间的重构误差。异常检测系统通过自适应阈值设定,并且使用不同的数据集对模型进行检测。实验结果表明,该方法在这几个数据集中都取得了优异的表现,算法准确率优于通常的方法,尤其在加入自适应设置阈值算法之后,在四个不同的数据中视频异常检测准确率提高了,召回率也提高了,自适应阈值设定大大提高了异常检测的性能,有很好的鲁棒性。(2)基于未来帧预测的异常检测。使用U-Net作为基本的GAN预测网络。为了生成更真实的未来帧,除了对抗性训练和外观约束之外,还在时间空间上进行了损失约束,以确保预测帧的光流与真实值一致。这样既能保证生成外观和运动的正常事件,通过比较预测和真实值确定这些异常事件。改进的方法通过增加不同的约束条件进行实验对比分析,实验结果表明,基于未来帧预测方法中每加入一个约束条件,模型的AUC值就变大,基于外观和运动约束的未来帧预测比现有的视频异常检测方法性能要好;另一方面,基于未来帧预测模型在Kindergarten数据集中的AUC也达到72.8%,未来帧预测模型在实际的场景中可以有效的检测视频中异常事件。