视频序列中运动人体的异常行为检测是指由计算机代替人脑对视频序列中人的行为进行智能分析和识别，属于图像分析和图像理解的范畴，主要应用于智能视频监控系统。智能视频监控系统利用计算机视觉和视频分析的方法对摄像机拍录的图像序列中的目标进行提取、跟踪和识别。智能视频监控系统能够以最快和最佳的方式发出警报和提供有用信息，来协助相关人员更有效地处理危机。本文针对“走”、“跑”、“跳”、“弯腰”、“跌倒”、“徘徊”以及“尾随”几种行为进行检测，除“走”以外其他行为定义为异常。主要完成了基于视频的运动目标检测与跟踪、运动目标特征的提取、运动属性词典的学习、异常行为的判别以及针对尾随行为模式的分析。具体完成的工作内容如下：提出了基于帧间差分法的混合高斯背景更新算法。此方法在帧间差分法得到的运动前景区域和背景区域采用不同的背景更新策略。相比于全局混合高斯背景更新的方法，本文提出的方法只对检测到的前景区域进行高斯背景建模，减少了不必要的开销，同时能完整提取运动目标前景。在提取了运动目标之后，本文采用了基于HSV空间的阴影检测方法来实现目标阴影的抑制。提取了运动目标的分块前景像素点个数作为其形状特征，四通道光流特征作为目标的运动特征，并提出了形状－光流联合特征描述子来表示目标行为；采用SVM分类器对提取的特征进行训练测试，并对不同特征下行为检测的准确率进行了对比分析。定义了徘徊行为发生需满足的条件并对徘徊行为进行检测。提出了基于信息瓶颈算法和稀疏特征的行为检测方法。首先对运动目标的低层次特征进行PCA变换降维作为词典学习的输入样本；然后采用K-SVD算法学习过完备词典作为后续处理的初始词典，该词典能够最小化重建误差；根据信息瓶颈算法的互信息损失最小化原则，对初始词典中的原子成对融合获得更加紧致且识别能力更强的运动属性词典。最后以输入样本在运动属性词典下的稀疏系数来表示目标行为，采用SVM分类器来对行为进行检测分类。提出了基于步态周期一致的尾随行为检测方法。依据待检测两人间欧式距离的不同情况展开分析，定义了尾随行为发生需满足的条件。在无门禁的情况下，进一步展开对两人步态周期的分析来进行检测。