随着智能摄像头的广泛应用,逐渐完备的智能监控系统在银行,高铁站,机场,交通要道,街头巷尾等城市中的重要公共区域都有着大量部署。这对交通事故,抢劫,偷盗,纵火,枪击,虐待等真实监控场景中的异常行为的检测与分析起着重大积极作用。然而,当前对视频的异常检测与分析仍然主要由人力完成,随着视频数据的广泛采集,由人力来完成视频主要分析已经越来越不现实。因此,近几年,针对人类异常行为检测的研究也成为了计算机视觉领域最为活跃的方向之一。然而,由于城市治安场景下的异常标注数据缺乏,其异常行为建模困难等原因,当前在异常行为预警的关键技术研究上仍然进展缓慢,面临诸多困难。本文正是针对异常标注缺乏,行为建模复杂等难点,利用图模型使相对充足的正常标签可以对噪声标签进行纠正,并在异常视频上进行时序定位,降低在识别时的建模复杂性来提高预警系统的综合性能。本文基于当前研究进展与潜在问题的深入分析,在异常行为预警系统的异常行为检测,异常行为时序定位与异常行为识别三方面的关键性技术进行了深入研究。在异常行为检测技术方面,从弱监督学习的视角,使用图卷积网络进行噪声标签纠正,充分利用了正常行为标注去弥补异常标注缺乏的问题,从而达到了良好的综合性能,证实了图卷积在视频理解上是一个值得尝试的方向;在异常行为时序定位方面,本文基于异常行为检测后得到的异常视频的帧级异常分数预测进行了时序定位的研究,分割出仅包含异常行为的视频片段用于进一步的异常行为视频识别;最后,本文基于三类主流的行为分类器结合时序定位技术进行了异常行为识别的研究,得到了远超当前最好性能的9个百分点的识别性能,并在三类主流行为分类网络上提出了UCF-Crime数据集在行为识别数据划分上的新基线。将本文研究的异常行为检测,异常行为时序定位,异常行为分类识别这三方面的关键技术相组合,正好可以构建一个综合性能显著提高后的端到端异常行为预警系统。