随着软硬件技术的成熟,当今考场中普遍使用视频监控技术实时记录每位考生的一举一动,使用视频监控考场,有效地维持了考场秩序保证了考试的公平性,然而目前考场的监控系统仍然需要耗费大量的人力物力去做检索,容易漏掉一些异常行为,不仅浪费了宝贵的视频资源,而且也无法及时的阻止考场中的异常行为,随着人工智能技术的进步和发展,对考场视频的帧图像进行考生行为检测成为可能。针对这一问题,本文提出了基于OpenPose的异常行为检测系统,该模型可以对考场中多名考生同时进行骨骼关键点检测,根据关键点信息提取有用的特征向量进行训练,可以较好地检测出探头,伸手,站立三种异常行为。该方法可以有效降低环境中光线带来的干扰,可以运用于不同场景中,极大提高了视频检测异常行为的效率。本文的主要工作如下:（1）筛选检测图像。使用了帧差法和自适应阈值YCb Cr肤色检测法从视频流中检测出可能发生异常行为的帧图像与大体区域,提高了检测效率。（2）提取特征向量。使用OpenPose模型提取数据集中相应的骨骼关键点坐标信息与生成的骨骼图,为之后的训练提供数据支持。（3）训练相关的模型。将骨骼关键点坐标信息提取到有用的特征向量作为数据集,使用全连接神经网络进行训练;并且将生成的骨骼图作为数据集,使用卷积神经网络进行训练,将训练结果进行比较。（4）制作系统界面。为训练好的模型制作系统界面,将考场数据进行可视化处理,帮助监考老师分析,甄别每位考生的行为,从而起到维护考场秩序的作用。该系统从多角度多目标对多种动作收集了大量数据集进行训练,有效地提高了异常行为检测系统的鲁棒性,并且将肤色检测与运动检测作为预检测方式,甄别出了不需要进行检测的帧图像,提高了检测效率,可以较好地完成考场中多种异常行为的检测。