监控系统提供了收集信息和辅助保障安全的功能，随着如今监控视频数据的日益庞大，人工的视频分析越来越乏力，自动化的视频分析手段更显重要，但当前的性能都不甚理想。如今越来越先进的摄像设备提供了大量移动对象的轨迹数据，例如行人、车辆、船舶、飞机等。而船只的突然停止，车辆的超速行驶，行人的错误行走方向等都有可能导致一定的危险。所以充分的利用这些轨迹数据，及时检测出这些异常显得尤为重要。在本文中，我们提出了一种有效快速的基于轨迹分析的监控视频异常检测方法。首先将每个运动对象的运动轨迹上的采样点位置信息转换为运动对象的速度信息和角度信息，然后通过基于二维核密度估计函数的统计模型来进行刻画，从而同时考虑到对象的运动速度和轨迹形状，并且能够很好的克服对象跟踪中存在的噪声问题等。本文通过机器学习的框架来完成异常检测的任务，及首先通过学习的方法来对正常、异常轨迹进行聚类，然后通过对象轨迹分类来判定异常与否。因为在监控视频中一条轨迹的异常与否是没有任何先验知识的，因此建立一个有监督的训练集是不可行的。所以我们假设训练集中大部分的行为轨迹是正常的，然后在轨迹学习中使用无监督的训练集进行聚类，其中聚类个数的优化选择是通过最大化互信息来实现的，最后利用香农墒作为度量来完成异常轨迹的定义。本文在丰富多样的测试数据，包括模拟数据和真实数据上进行方法的评估，实验结果对算法的学习和分类结果进行了量化的比较，都显示我们所提出使用二维核密度估计进行统计建模，巴氏距离作为分布间相似性度量，利用互信息选择优化聚类个数，结合信息论判定异常轨迹的方法有非常优秀的表现，并胜过最新型的一些该领域方法。