随着计算机视觉等技术的发展,对监控视频智能处理和分析成为城市安防中重要发展方向。监控视频中异常检测作为智能监控中重要组成部分,发挥着越来越重要的作用。监控视频异常检测分为异常片段检测和异常视频帧检测两种,虽然传统的异常检测算法能够检测出监控视频中的异常情况,但是其仍然存在着以下问题:（1）在检测异常视频片段过程中,传统算法中视频前期处理较复杂,模型无法适用变化的场景,导致模型检测精度低。（2）在检测视频帧异常过程中,当前的模型将解码器和编码器组合重构视频帧,判断视频帧中的异常情况,由于重构视频帧过程需要耗费大量的计算资源,时间开销比较大。本文针对目前监控视频中异常检测算法中存在的不足,采用基于深度学习的方法对监控视频进行异常检测,主要工作内容如下:针对传统模型对视频前期处理较复杂而导致模型分类性能下降,设计基于模型融合的卷积长短期记忆网络FConv LSTM（Conv LSTM with Fusion Model）,通过分类方式检测视频片段异常。前期采样少量视频帧作为输入数据,使用多卷积融合模型对输入的视频帧提取特征。在此基础上,将多帧视频帧特征通过卷积长短期记忆网络特征关联,使得视频片段中的时间和空间特征信息结合,最后采用子数据集模型融合方式,提升模型对监控视频中异常片段的分类性能。针对监控视频异常检测中视频帧异常检测模型处理视频帧效率较低,设计了基于乘积量化的特征分布模型FDPQ（Feature Distribution based on Product Quantification）,在无标签情况下检测异常视频帧。在对视频帧提取特征后,使用乘积量化降维视频特征,将量化特征构建特征分布,建立正常视频帧库。对待检测的视频帧提取特征和降维后,计算将其与正常视频帧库的分布距离,距离大于阈值的判定的异常视频帧,反之则为正常视频帧。使用乘积量化对特征降维和构建特征分布检测视频帧,避免了编码器解码器模式下特征提取中耗费大量时间,提高了异常视频帧的检测效率。