شناسایی رفتار ناهنجار ازلحاظ اهمیت یک ضرورت در سامانه های نظارت بصری تبدیل شده اسـت. همچنـین ایـن حـوزه بـه عنوان یک چالش در تحقیقات بینایی ماشین بدل شده اسـت. گرچـه تلاشهـای بسـیاری بـهمنظور رفـع ایـن مشـکل انجامشـده اسـت، امـا شناسایی رفتار در یک محیط واقعـی و غیرقابـل کنترل فاصـله معنـاداری تـا بـه بلـوغ رسـیدن آن وجـود دارد. مشـکل اصـلی ابهـام در تفاوت خصوصیات رفتار غیر نرمال و نرمال استکه تعریف آن معمولاً با توجه به زمینه پیشین تصاویر میتوانـد متفـاوت باشـد. در این مقاله یک سیستم شناسایی و موقعیت یابی رفتارهای ناهنجار در سکانس های ویدئویی ارائه شده اسـت. جنبـه کلیـدی ایـن روش درواقع ترکیب شبکه عصب یکانولوشنی زمان-مکانی دو بعدی و سه بعدی بـه منظور شناسـایی رفتـار غیـر نرمـال در فریم هـای متـوالی ویـدئویی اسـت. همچنـین از روش شناسـاگر  Features from Accelerated Segment Test (FAST)بـه منظور افـزایش ضـریب اطمینان در شناسایی موقعیت های موردنظر در تصاویر ورودی به مدل شبکه عصبی کانولوشنی بهره گرفته شده است. ایـن ویژگی هـا تنها از حجم پیکسل های دارای حرکت استخراج می شوند تـا بتواننـد هزینـه محاسـبه راکـاهش دهنـد. سـاختار مـدل شـبکه عصـبی کانولوشنی به ما اجازه استخراج ویژگی های زمان-مکانی که شامل استخراج ویژگی هایی با حرکات پیچیده نیز هست را می دهد. روش ارائه شده توسط مجموعه داده ی متداول کـه شـامل رفتارهـا و اعمـال ناهنجـار متفـاوت انسـانی در موقعیت هـای گونـاگون است، مورد آزمایش و ارزیابی قرار گرفته است. نتایج حاصل از آزمایش هـای مربوطـه نمایـانگر ایـن اسـت کـه سیسـتم ارائه شـده در مقایسه با بسـیاری از روش هـای متـداول پیشـین، عملکـرد بهتـری را دارد وکـارایی آن در شناسـایی رفتـار غیـر نرمـال در مقایسـه بـا روشهای قبلی بسیار رقابتی است.