随着社会发展及科技进步,公共安全问题日益凸显,视频监控作为一种实时获取公共区域信息的主要手段,如何基于视频监控迅速且精准地定位异常事件成为了目前亟待解决的关键问题。本文以监控摄像头拍摄的视频作为输入,以行人作为被监控的主体,按照行人检测与追踪—行人轨迹信息获取—轨迹模型设计—异常行为检测与分析的思路展开研究。本文主要工作如下:（1）提出了一种基于改进的YOLOX和Deep-SORT的轨迹信息提取算法。在行人检测阶段,针对目标检测模型召回率较低、定位精度不稳定的问题,提出了一种动态数据增强和优化边界框回归函数的策略,以提高行人检测算法模型的精度。在追踪方面,以Deep-SORT作为多目标实时追踪的基础模型,基于对该算法的研究发现当行人被遮挡时会导致轨迹断裂与误匹配等现象的出现,由此本文引入轨迹置信度的计算作为判断行人是否被遮挡的依据。实验表明,本文提出的轨迹信息提取算法改善了检测中出现目标切换和掉帧的现象,同时能有效解决轨迹断裂和误检的问题。该算法在MOT16数据集上取得了83.2%的追踪准确率,其中的行人检测模型在VOC2007数据集上的检测精度达到了86.13%。实验说明了本文轨迹信息提取算法在目标检测与追踪上的有效性,为后续研究提供了有力的保障。（2）设计了基于参数寻优的随机森林算法的异常行为检测模型。首先,针对冗余的轨迹原始数据,采用Douglas-Peucker算法进行压缩处理。然后,根据异常行为的表现特点设计具有代表性的轨迹特征（离散曲率熵、位移、路程、主方向角、轨迹坐标在x、y方向的异常增长以及速度在x、y方向的变化）进行表示。最后,对设计的特征进行相关性不强即非冗余验证,建立基于随机森林算法的异常行为检测模型,采用交叉验证的方式获取使得模型检测性能最优的最佳参数,完成模型参数的设计。本文对CASIA行为分析数据库进行重新划分并基于该数据集进行模型有效性的对比验证与分析研究。实验表明,本文设计的异常行为检测模型在上述数据集上的检测准确率达到了96.7%,在UCF-Crime犯罪数据集上检测准确率达到了94.01%。