針對現有異常檢測方法難以解釋異常屬性的問題，本文提出基于雙側空間窗的異常檢測方法。首先，在前景檢測的基礎上，本文對場景邊界區域進行雙側空間窗采樣，提取雙側空間窗特征；隨后，為了提取異常事件的速度屬性、相關性屬性、時間差屬性的提取，本文分析了雙側空間窗的時序互相關理論和實際特性，實現了異常細分屬性的描述；最后為了進一步描述目標類別屬性，本文使用了基于快速傅里葉變換的外觀特征，利用最大間隔思想訓練異常檢測模型。在真實場景BEHAVE數據庫的實驗中，可以看出AP和AUC評價指標超出現有對比方法，而且還能在沒有先驗知識指導的情況下，自動識別出監控場景出入口的位置。

　　場景中的異常事件通常伴隨著危險和安全隱患，異常檢測關注于監控場景中的異常事件識別，已經受到計算機視覺領域的廣泛關注。但是，由于場景中內容的不同，在缺少異常清晰定義的情況下，如何實現異常的準確識別，仍然是一項重要的挑戰。

　　在事件統計方面，異常可以定義為場景中出現的小概率事件，在此基礎上，現有方法關注于不同特征提取方法基礎上的小概率模型構建。光流特征作為運動描述被廣泛使用，Cong 關注于基于光流的運動特征，Hassner 使用帶閾值的光流特征ViF ，Nievas 使用SIFT 檢測點處的光流特征MoSIFT ，Zhang在光流特征的基礎上，添加Weber 梯度和方向的局部描述子MoWLD 。除了光流特征以外，現有方法還考慮時長特征和場景中群體的分布特征，例如，Li 對時間段內的圖像序列，進行混合動態紋理特征的小概率建模，Hu 關注于目標跟蹤軌跡方面的異常分析，Mehran 關注于人群中不同個體的交互關系，構建一種社會力模型。上述方法使用手工設計特征，該類特征是否符合場景中處在的客觀規律，難以驗證，也約束了模型的使用范圍。

　　基于統計學習方法，可以將運動原始特征映射到隱空間，并實現有效的特征編碼。稀疏編碼是近年來廣泛使用的方法，Wang 使用結構稀疏保持的編碼方式（SSS： structural semi-supervised），Babagholami使用概率半監督字典的編碼方式（PSS： Probabilistic semi-supervised） ，Zhang 進行局部約束的稀疏編碼（LSC： Local sparse constraint） 。隨著編碼效率的提升，現有異常檢測方法也改進了分類模型的設計，Wright 使用稀疏表達分類器（SR： Sparse representation） ；而且深度學習也逐漸進入該領域，蔡瑞初使用多尺度時間遞歸神經網絡方法；Xu 提出外感和運動的深度網絡結構對異常檢測的建模（AMDN:Appearance and Motion Deep Net） 。但是，上述方法仍然將異常事件的屬性作為黑盒處理，沒有清晰的異常規則定義，實際上在真實的場景監控應用中，難以設置知識規則，也難以根據人類的經驗對現有異常檢測模型進行拓展。