近年来，计算机视觉在许多研究领域都已经取得了丰硕的成果。异常人群行为检测作为计算机视觉中最具挑战性的课题之一，在运输、公共安全等领域中起着重要作用，并引起了越来越多人的关注。人群有正常行为和异常行为，通常来说异常人群行为的数量相比于正常人群行为是非常小的，所以异常人群行为检测是一个不平衡的问题。由于高斯混合模型（GMM）通常可以很好地处理不平衡的问题，所以本文利用GMM建立正常人群行为的模型来预测异常人群行为。鉴于正常人群行为和异常人群行为在人群分布信息与人群速度信息方面有着很大的区别，所以本文同时使用人群分布信息和人群速度信息来估计正常人群行为的GMM参数。人群分布信息对于异常人群行为检测起着至关重要的作用，为了估计人群分布信息，本课题提出了比较新颖的粒子熵方法。该方法不仅避免了在公共场合下不稳定的前景提取，而且还拥有计算复杂度低的优势。本文在包括聚集和分散事件的公开可用的数据集上进行了实验，实验验证了本文提出的粒子熵方法能有效、准确地反映出公共场景中的人群分布信息。本课题首先利用粒子熵方法来描绘人群分布信息，并利用光流法描绘人群速度信息。然后利用人群分布信息和人群速度信息来建立正常人群行为模型并预测异常人群行为。本文在公开可用的数据集上进行了异常人群行为检测的实验，实验证明了本文的方法具有优良的性能。同时用本文提出的方法和目前此方向比较先进的方法在相同的数据库上进行了对比，实验结果表明了本文提出的方法要优于其他的方法。