监狱作为国家的刑罚执行机关,承担着维护社会安宁与稳定、预防和减少犯罪的重要职能,更加需要智能化技术手段的支撑来保障其职能的有效履行。随着智慧监狱建设进程的推进,监狱中布置了大量的监控设备,具备智能分析和自动预警功能的智能监控系统开始被广泛用于创新监狱的管理模式。作为智能监控系统的核心技术之一,异常行为检测技术能够全天候地对异常行为进行智能预警,在极大提高监控效率、节省人工成本的同时,有效阻止异常事件的发生。虽然目前对于异常行为检测技术的学术研究取得了一定的进展,但是由于异常检测问题具有复杂性,面向监狱场景、注重应用性的异常检测系统还存在许多需要克服的问题,比如:后疫情时代常用的视频会见场景存在相当大的监测空白;复杂背景下异常行为检测算法的准确率和效率还有待提升;现有的监管方案实用性不足等等。本文对监狱场景下的异常行为检测技术进行研究,主要研究内容及创新点如下:（1）针对视频会见场景存在的监测空白问题,构建了符合应用需求的异常表情数据集,并提出了基于卷积神经网络的表情识别方法。通过将人脸运动单元的数值与异常表情进行关联,并制定分类标准,在开源的表情图片基础上形成了异常表情数据集;同时,通过对比现有特征提取网络的识别精度、参数量和识别耗时,选取9层卷积神经网络完成图像特征的高效提取,并衔接支持向量机完成分类,进一步提高了异常表情识别的准确率。（2）针对行为识别易受冗余信息干扰和难以提取长时间序列中关键信息的问题,提出了使用3D骨架数据的基于改进时空图卷积网络的行为识别方法。通过连通物理相邻的关节和跨越时间步长的形式,构造空间边和时间边,形成包含关节坐标和置信度的3D骨架图序列,全方位反映人体运动的时空信息。同时,设计了空间注意力单元,以数据驱动的方式生成图结构,加强不同分类下关键节点的权重,并配备自适应矩阵优化邻接矩阵,构建具备空间注意力的自适应图卷积层;在时间维度上构建时间注意力单元,动态学习相邻帧之间的依赖强度变化,调整相关性权重矩阵,提高网络对于重点帧的信息表征能力。通过在网络中搭建时空注意力单元,提高了行为识别的精确度和效率。（3）针对缺少应用性较强的监狱监管方案的问题,我们结合实际需求,设计并完成了异常行为智能检测系统。采用B/S结构将核心功能集成到服务器端进行具体实现,嵌入上述的两种识别方法,并利用时间和区域设置设计了多种异常检测方案,能够准确识别出预设的异常表情和行为分类,达到了对监所进行精准监管并灵活调整的监控效果。