در طی دو دهه گذشته تشخیص وردگیری انسان در فریمهای متوالی ویدئو، بازنمایی و تحلیل فعالیتهای وی و در آخر شناسایی رفتار سر زده از او یکی از پر چالشترین مباحث در زمینه مطالعات بینایی ماشین و هوش مصنوعی بوده و توجه گروههای تحقیقاتی دانشگاههای معتبر فراوانی را به خود معطوف نمودهاست. از طرف دیگر افزایش آمار ارتکاب جرایم عمومی در سالهای اخیر لزوم برقراری امنیت بیشتر را تشدید نموده و این مهم، روند استفاده از دوربینهای نظارتی را سرعت بخشیدهاست. دوربینهای نظارتی کنونی به دلیل وابستگی به کاربران انسانی با محدودیتهایی روبرو هستند که از آنجمله میتوان به خستگی، خوابآلودگی و عدم تمرکز اشاره نمود. بنابراین اگر قادر باشیم سیستم دوربینهای نظارتی را به هوشی داخلی تجهیز نماییم تا به طور خودکار و برخط به تحلیل رفتار انسانهای ردیابی شده در حوزه دید خویش بپردازد، اعمال غیرعادی و مشکوک را شناسایی نموده و علامت هشدار یا زنگ خطر را فعال کند، به پیشرفتی قابل توجه در زمینه فنآوریهای امنیتی دست یافتهایم. هدف ما در این پایاننامه ارائه راه حلی مناسب برای مساله فوق و متمایز ساختن رفتارهای عادی از رفتارهای غیرعادی و مشکوک است. در حال حاضر دو رویکرد عمده در شناسایی رفتارهای مشکوک وجود دارند که عبارتند از روشهای تشخیص بدرفتاری و روشهای تشخیص ناهنجاری. در اینجا مساله شناسایی رفتارهای مشکوک را از سه منظر تحلیل مسیر حرکت، تحلیل مکانهای اشغالی و تحلیل موقعیت اعضای بدن نسبت بهم مورد بررسی قرار دادهایم. دو مورد نخست را از هر دو رویکرد تشخیص بدرفتاری و تشخیص ناهنجاری مطالعه نمودهایم. در رویکرد نخست به ارائه مدلهایی از مسیرهای حرکتی مشکوک و نیز تعریف نواحی خاص در مکانهای اشغالی افراد پرداختهایم و در رویکرد دوم با دستهبندی رفتارها و رتبه بندی پویای آنها بر اساس فراوانی رخدادشان به شناسایی رفتارهای غیرعادی و مشکوک که درصد وقوع کمتری دارند پرداختهایم. در تحلیل موقعیت اعضای بدن نیز با توجه به مکان قرار گیری اعضا نسبت بهم و برقراری شروط لازم در بروز رفتارهای مشکوک تعریف شده، در فضایی احتمالاتی به تعیین احتمال رخداد آن اعمال پرداختیم. توجه همزمان به سه جنبه فوق آنهم از دو رویکرد، تعریف پارامتر "سطح غیرعادی بودن" و تاثیر احتمالات، تمایز قائل شدن میان حالات غیرعادی و مشکوک، اعمال خاصیت پویایی و بهروزرسانی بعلاوه عملکرد برخط از نقاط قوت سیستم نظارتی هوشمند تعریفشده هستند. بررسیهایی که روی مجموعه داده caviar صورت گرفته نشان میدهد که با درصدی بالغ بر 90% قادر به شناسایی رفتارهای مشکوک هستیم.