在最近几年中,随着社会经济的飞速发展和监控设备城乡化的逐渐普及,在视频监控下的各种异常及犯罪行为都会被记录在视频文件中,但是现阶段监管视频仍然依靠人工监管的方式,这样不仅会造成人力成本上的浪费,而且由于视频监管需要全天不间断的模式,这样难免会造成人为的失误,不能够及时的避免各种犯罪及危险行为。因此,如何在监控视频中有效的获取异常事件成为当前亟需解决的问题。本文研究从海量视频数据中提取出基于人或物体的异常行为事件,并对视频监控中的异常事件进行判断。首先,本文详细的介绍了系统建立过程中所需要的的相关技术理论,主要包括FFmpeg,模糊集合理论,YOLO算法以及Hadoop框架中的分布式处理系统Map Reduce,分布式文件管理系统HDFS。其次,提出了基于Hadoop的视频异常行为检测算法,包括基于卷积自动编码器的异常行为检测算法与基于模糊理论的异常行为检测算法,之后我们针对视频异常行为事件的特点完成了各个功能模块的设计与实现,主要包括:流媒体服务器存储视频数据并对视频数据实时转发功能模块,Hadoop框架处理视频数据模块,基于视频的异常行为检测算法模块。在本文的基于视频的异常行为检测算法模块中,我们使用两种方法对视频中的异常行为进行检测。对于第一个方法,首先,我们介绍了一种基于对象为中心的卷积自动编码器的无监督特征学习框架,以对运动和外观信息进行编码。然后,我们提出了一种基于训练样本聚类为正态性聚类的监督分类方法。最后,使用多个一对多的异常事件分类器将每个正常集群与其他集群分开,在推论过程中,如果一个测试样本不属于任何一个分类器,则将对象标记为异常。对于第二个方法,首先我们使用基于模糊理论的方法,来建立异常事件检测模型,然后根据模型属性元素来建立模糊判别公式,最后使用PSO算法来计算判别式中的权重参数。最后,本文利用在学校搭建的监控视频数据对系统功能进行了分析和测试。实验结果表明,本系统可以有效的检测出监控视频中异常事件。