在国家经济高速发展的同时,道路上的车流量也是逐年增加。我们在享受汽车的便捷时,频繁发生的道路交通事故却时刻威胁着我们的安全,交通安全问题已经上升至全人类层面。然而大部分的交通事故都由车辆的异常行为引起,目前的道路视频监控系统主要用于交通事故发生后的取证,并在很大程度上依赖人工搜索,导致交通事故只能进行事后处理而不是早期预防。为了规范机动车的驾驶行为并减少交通事故,对交通视频监控中车辆异常行为的检测,已逐渐成为智能交通领域的研究热点。本文以交通异常行为的分析为主要方向,针对交通监控系统中的驾驶员不系安全带行为、车辆使用假牌行为和车辆轨迹违章行为进行了讨论研究,并针对三类异常行为的检测制定了对应解决方案。本文工作如下:(1)在安全带检测方面,提出了一种基于深度学习的汽车驾乘人员安全带检测算法,以双网络级联的方式快速定位和检测安全带。通过Faster RCNN卷积神经网络分别针对车窗区域和主驾驶区域训练两个检测器,实现从车窗到主驾驶区域的逐级定位。同时,针对AlexNet网络结构进行了优化,然后利用改进的AlexNet深度卷积网络训练一个二元分类器,对定位到的主驾驶区域进行安全带的检测判定。通过实验数据可知本章所用的安全带检测算法的效果较好,并且系统的鲁棒性较高。(2)在使用假牌行为的检测方面,设计了车牌定位、车牌识别和假牌套牌检测的一整套系统,并针对假牌和套牌检测提出了三个判定标准。首先对传统Adaboost算法的权重更新进行优化,可有效防止分类模型的过拟合,然后提取目标区域的HOG特征来训练改进的Adaboost分类器,完成由车头到车牌的逐级定位。对定位到的车牌预处理后,利用八连通域结合垂直投影法实现字符的精确分割,再利用改进的Adaboost分类器结合字符的轮廓和结构特征完成车牌识别。最后通过车牌信息比对、车身颜色比对和基于网格化监控的时空关系分析,三个判定标准来实现对假牌车和套牌车的检测。(3)在车辆轨迹违章方面,使用KCF算法实现目标的快速跟踪,然后针对车辆逆行、违章变道和违章掉头这三类违章行为,提出了基于车辆轨迹分析的判别标准。在车辆跟踪阶段,利用循环矩阵将矩阵的运算转化为DFT的点积运算,大幅度降低了运算量,提高目标跟踪的效率。然后利用核函数技巧将低维度非线性函数映射成高维度线性函数,使目标特征变得线性可分。通过实验对比了四种跟踪算法的准确率和跟踪误差。在获取车辆轨迹点后对轨迹坐标进行分析,利用Hough变换实现车道线和车辆轨迹的直线拟合。最后通过分析轨迹坐标与车道线之间的关联性,来实现对三类车辆违章行为的检测判定。