本文以坦克和飞机为典型目标,研究了解典型目标行为和检测视频中异常行为的方法。本文旨在通过分析获得视频中目标的行为规则来推断典型目标的行为,并基于典型目标的移动轨迹对异常行为进行分类。针对当前视频运动目标检测存在空洞现象导致目标区域检测不完整以及误检率高的问题,本文提出了一种基于改进的运动模板和直方图匹配的视频目标检测方法。采用三帧差分和自适应阈值分割方法替代传统运动模板方法中目标轮廓检测方法来检测视频目标轮廓,利用时间分割法对视频帧图像进行分割,检测视频帧图像目标的潜在区域;采用HSV直方图匹配法对潜在目标区域进行二次确认,以剔除误检区域,有助于提高视频目标检测的准确率。本文提出了一种基于视频目标运动状态的行动推理方法,检测视频典型目标,并检测其发射状态、运动速度状态以及所处的环境状态,根据检测的运动状态采用基于优化的联结树算法推理视频目标的行动类型,提高了视频目标行动预测的准确率。实验结果表明,本文方法在检测典型目标方面可以获得比背景减法,引导滤波和混合高斯模型和运动模板方法更好的结果,并能够根据典型目标的运动状态推断出动作类型。针对当前基于深度学习的轨迹预测算法没有考虑视频中运动目标轨迹间的相互影响导致轨迹预测准确率较低的问题,本文提出一种基于社交长短时记忆网络的轨迹预测方法。预测运动目标轨迹时通过增加S-Pooling层,考虑同帧图像中其邻近目标对其运行轨迹的影响,预测出目标的运行轨迹;利用预测的运行轨迹计算视频目标的异常度,并结合天气情况、典型目标所处区域和异常指标库判断典型目标的异常类型及危险等级,并对危险等级高的异常类型进行报警提示。在检测视频目标运行轨迹时,本文提出一种改进的TLD算法,该算法在TLD算法的基础上,融合卡尔曼算法预测功能,能够较为完整地获取视频多目标的运行轨迹,有利于解决TLD算法由于目标跟丢导致轨迹不完整的问题。实验结果表明,本文方法能够较为完整地获取视频目标的运动轨迹且获取的轨迹完整度高于LK和KCF跟踪算法。