监控视频中的异常行为识别技术是计算机从包含人的视频或图像序列中对人的行为进行理解和分类的技术。视频监控作为保障公共安全的一种有效方式，以及硬件设备的智能化和其亲民的价格，促使愈来愈多的人开始关注这一领域，因此对异常行为识别的研究成为计算机视觉领域内非常热门的研究方向，对人体行为特征的提取、行为模式的建模和对异常行为的检测成为目前领域内密切关注的问题。当下基于视频的异常行为检测的算法十分之多，本文主要针对监控视频下公共场所中人的异常行为进行研究，提出了基于运动特征的人体异常行为检测方法，实时地对视频中的人进行异常行为的检测。主要分为四个部分：视频图像预处理、特征提取、特征聚类及人体异常行为检测。　　在特征提取部分，提出了一种新的时空特征提取方法，该方法能考虑到动作间在时间上的连续性。因为视频场景中的某个动作，单独来看是没有任何异常的，但是连续的动作可能是异常的行为。所以，这样的一种提取特征算法可以获取更紧凑、更丰富的信息。跳过传统的运动前景提取以及目标追踪步骤，直接作用于视频片段上，该方式的优点在于不存在背景块被误判为前景块的可能，具有一定的抗干扰能力且减少了运算量，能够完整地提取出人体行为的轮廓和人所处的复杂环境的整体变化。　　在字典学习部分，对特征进行k-means型子空间聚类，形成一组簇的集合，这个集合可视作对正常的行为模式构建超完备字典，集合中的每一个簇可视作一个子字典。基于超完备字典的图像稀疏表示因其具有稀疏性、特征保持性、可分性等特点对异常行为的检测有很强的适用性。　　在最后的异常行为检测阶段，通过判断稀疏重构误差大小的形式自动地决定某一行为是否属于异常行为的范畴。本论文提出的方法适用于大多数公共场所的监控。