Wir stellen eine effiziente Methode zur Anomalieerkennung in Videos vor. Kürzlich zeigten Anwendungen von Faltungsneuralen Netzen vielversprechende Ergebnisse hinsichtlich der Nutzung von Faltungsschichten für Objekterkennung und -klassifikation, insbesondere in Bildern. Allerdings sind Faltungsneuronale Netze überwacht und erfordern Labels als Lernsignale. Wir schlagen eine räumlich-zeitliche Architektur für die Anomalieerkennung in Videos, einschließlich überfüllter Szenen, vor. Unsere Architektur besteht aus zwei Hauptkomponenten: einer für die räumliche Merkmalsdarstellung und einer für die Lernung der zeitlichen Entwicklung der räumlichen Merkmale. Experimentelle Ergebnisse auf den Benchmarks Avenue, Subway und UCSD bestätigen, dass die Erkennungsgenauigkeit unserer Methode mit den Stand der Technik vergleichbar ist, wobei eine Geschwindigkeit von bis zu 140 fps erreicht wird.