在视频监控系统中,人们通常关注的是视频中的异常行为,而传统的手工标记异常行为的方法已不能满足人们对于监控系统时效性和准确性的要求。因此,自动行为识别技术在智能视频监控中已经起到越来越重要的作用。根据处理异常行为检测问题的角度不同,可将异常行为检测方法分为两类：基于局部运动特征的方法和基于轨迹的方法。由于前者只能反映视频中像素点或像素块在速度大小方向上的简单变化规律,所以它仅适用于一些像地铁出口等运动模式比较单一的场景或者具有明显运动规律的场景。而基于轨迹的方法广泛应用于需要明确确定行为执行目标的情况,例如交通监控。此外,在很多其他情况下无法获得高质量的视频数据,甚至视频本身都无法获得,例如卫星探索等,卫星监测返回的数据只是一系列的位置信息。然而,在基于轨迹分析的异常行为检测方法中,被标记为异常的轨迹往往仅在整条轨迹的某个局部存在异常,轨迹的其余部分都是正常行为。传统的基于整条轨迹建模的方法很难检测轨迹的局部异常。针对上述问题,本文提出一种基于多示例学习的异常行为检测方法。该方法首先将轨迹分割成若干相互独立的子段；然后采用序列数据学习模型或者特征向量来表示各个子轨迹；最后在多示例学习框架下,以整条轨迹为包,正常轨迹为负包,异常轨迹为正包,轨迹子段为包的示例进行学习。通过实验验证,该方法在准确率和误报率上普遍优于传统的基于整条轨迹建模的方法。