现今,随着人口密度的不断增加,在人群比较拥挤的公共场合,群体异常事件的发生概率也逐渐增大。为了使损失降到最低,及时、有效的报警,成为了解决这一难题的关键因素。智能视频监控系统可以有效的解决社会安防问题,受到越来越多人们的欢迎,它可以自动的将视频中的关键信息提取出来并进行处理,不仅节省了大量的人力、财力资源,同时也提高了工作效率。作为它的一个分支,基于视频的群体异常行为的识别也成为了现今的一个热门研究课题。在学习了传统群体异常行为识别算法的基础上,本文提出了一种基于改进动能的单类群体异常行为检测算法以及基于粗糙集的多种群体异常行为分类识别算法,分述如下：提出了一种改进动能的四散事件检测算法。传统的基于动能的算法,只考虑到了异常发生时动能的变化,但是实际中,视频里通常会伴随着噪声,这可能会导致某一帧动能的突然变大,最终出现误判的现象。本文在此基础上,对动能公式进行了改动,不仅考虑了四散发生时,运动速度的变化,同时也考虑到了人群分布情况的变化。四散发生时,人群一般会由聚集状态转到分散状态,运动速度也会变大,所以我们提取了人群分布指数和运动速度相结合得到的改进了的动能这一特征,通过设定合适的阈值来对视频进行检测。最后,我们用自摄视频数据集和UMN标准数据集进行了测试,并进行了对比实验,证实了木算法的识别率要高于对比实验中的其他算法。现有的算法都是针对某一类特定的异常事件来进行异常与正常的判断,并没有进一步去对异常进行分类,这些算法具有很大的局限性。本文针对目前比较常见的四散、群殴、加速跑动三类异常事件,提出了一种基于粗糙集的多种群体异常行为识别算法。该算法不仅能够检出异常,还能对异常进行分类。另一方面,粗糙集作为一种描述不确定性的数学工具,在对事物进行分类时不需要提供任何先验知识,分类规则可以直接从视频数据中得到,避免了人的主观随意性。通过对自摄视频的检测,实验结果显示了本算法同样拥有比较高的识别率