由于异常定义的模糊性和真实数据的复杂性，视频异常检测是智能视频监控中最具挑战性的问题之一。基于自动编码器(AE)的帧重建（当前或未来帧）是一种流行的视频异常检测方法。使用在正常数据上训练的模型，异常场景的重建误差通常比正常场景的重建误差大得多。但是，这类方法忽略了正常数据本身的内部结构，效率较低。基于此，提出了一种深度自动编码高斯混合模型(DAGMM)。首先利用深度自动编码器获得输入视频片段的生成低维表示和重构误差，并将其进一步输入高斯混合模型(GMM)。而估计网络则通过高斯混合模型预测能量概率，然后通过能量密度概率判断异常。DAGMM以端到端的方式同时联合优化深度自动编码器和GMM的参数，能够平衡自动编码重建、低维表示的密度估计和正则化，泛化能力强。在两个公共基准数据集上的实验结果表明，DAGMM达到了现有最高技术发展水平，在UCSD Ped2和ShanghaiTech两个数据集上分别取得了95.7%和72.9%的帧级AUC。

随着视频监控数据的快速增长，对大规模视频数据的自动异常检测的需求越来越大，基于深度自编码器重构误差检测方法已经被广泛探讨。但是，有时自编码器“泛化”得很好，能够很好地重建异常并导致漏检。为了解决这个问题，提出了采用记忆力模块来增强自动编码器，称为记忆力增强自编码（Memory-augmented autoencoder, Memory AE）方法。给定输入，Memory AE首先从编码器获取编码，然后将其用作查询以检索最相关的记忆项来进行重建。在训练阶段，记忆内容被更新以表示正常数据的原型元素。在测试阶段，将学习到的记忆元素固定下来，从正常数据的几个选定的记忆记录中获得重建，因此重建将趋向于接近正常样本。因此，将加强对异常的重构误差以进行异常检测。对两个公共视频异常检测数据集，即Avenue数据集和ShanghaiTech数据集的研究证明了所提出方法的有效性。

视频中的异常检测是一个具有挑战性的计算机视觉问题。现有的最先进视频异常检测方法主要集中在深度神经网络的结构设计上，以获得性能改进。与主要研究趋势不同，本文侧重于将集成学习和深度神经网络相结合，提出了一种基于集成生成对抗网络（Generative Adversarial Networks，GAN）的方法。在所提出的方法中，一组生成器和一组判别器一起训练，因此每个生成器可以从多个判别器获得反馈，反之亦然。与单个GAN相比，集成GAN可以更好地对正常数据的分布进行建模，从而更好地检测异常。在两个公开数据集上测试了所提出的方法性能。结果表明，集成学习显著提高了单个检测模型的性能，在两个数据集上比现有最近方法分别超过0.4%和0.3%的帧级AUC。