随着计算机智能技术的不断发展，人群异常行为检测在机器人视觉、智能监控、智能运输等领域的运用日趋普遍。异常行为是指相对于历史信息发生偏离的运动目标。如何在复杂的视频中自动发现异常行为是近年来智能信息技术的研究热点，需要结合图像处理、机器视觉、人工智能等多个方向的研究。基于视频的异常行为检测能自动监控特定场景中的异常行为，对未知危险进行预警。这不仅能提高监控的效率，也能减少相关成本。针对监控场景的变化和人群姿态的多样性，许多学者尝试从不同的领域分辨不同的人群行为。　　本文首先引入了异常行为检测的研究背景和意义，然后对整个人群异常行为检测过程所使用到的计算机视觉和图像处理相关概念进行介绍，包含运动目标检测、行为特征提取、异常行为学习与识别。接着针对目前已有方法存在的问题，提出了一种光流的异常行为检测方法，建立了基于高斯混合的检测模型，该模型在保留了常用光流法的优点的同时，加入前时刻异常信息克服光流法普遍存在因遮挡而引起的漏检问题，使用Mean Shift检测异常在避免了简单阈值的低适应性的同时，又能自适应调整判断异常的范围。UCSD数据库验证实验表明，与现有方法相比，该模型能有效快速检测不同场景下的异常行为。　　为了解决光流特征对速度以外的异常行为不敏感等问题，本文采用了多特征融合的方法进行了异常行为检测。分别使用尺寸和纹理特征检测视频中的异常行为，得到检测结果。此外，加入判断机制将这两种特征与光流特征结合起来，以对异常行为进行多特征的检测。　　实验结果表明，本文所提出的光流检测方法具有较高的准确率和效率，适合对速度异常占主导，且对实时性要求高的场所进行异常行为检测，而多特征融合方法能检测多种异常行为，适合对异常类别多且复杂的场所进行异常行为检测。