近年来恐怖袭击和群体暴力事件频繁发生,为了保障人民生命财产安全,智能视频监控系统应运而生。作为智能视频监控系统中的一项重要功能,群体异常行为检测受到了许多研究人员的关注,其目的是利用计算机视觉技术处理并分析监控视频内容,实时检测视频中发生的异常行为并发出警报。本文提出了两种群体异常行为检测算法,分别对监控视频中的局部异常行为和全局异常行为进行检测。针对局部异常行为,本文提出了一种基于运动特征和外观特征的局部异常行为检测算法,用于检测监控场景中的物体运动异常和物体外观异常。对于由运动特征变化引起的异常行为,本文提取图像序列的光流信息,利用像素级别和块级别的光流幅值计算每一个时空块的运动能量值,通过限定数据增长率的方式估计运动能量边界值,并以此边界值区分正常行为和异常行为;对于由外观特征变化引起的异常行为,提取每一个时空块的时空梯度作为其外观特征描述子,通过支持向量数据描述(SVDD)建立一个最优超球体,该超球体包围了特征空间中尽可能多的训练样本点,并以样本点到超球体中心的距离来判断正常行为和异常行为。最后,通过一个二级分类器先后对运动异常和外观异常进行检测。针对全局异常行为,本文提出了一种基于运动信息熵的全局异常行为检测算法,用于检测室内或室外场景中的人群逃散行为。该算法利用监控视频图像序列的光流场,结合光流矢量的方向和幅值计算运动信息熵,该熵值可以表征监控场景中的运动信息的不确定程度。正常行为的样本点集中在高斯分布的中心,而异常行为的样本点分布在两侧,以此来区别正常行为和异常行为。本文使用两个公开的数据集对提出的算法进行效果评估,评估指标为接收者操作特性曲线(ROC)曲线,曲线下夹面积(AUC),相等错误率(EER),异常检测率(RD)。实验表明,本文提出的算法检测效果优于大部分经典算法,而且在计算复杂度上远低于其他算法,几乎接近实时检测。