Die Anomalieerkennung in Überwachungsvideos gewinnt in letzter Zeit zunehmend an Aufmerksamkeit. Ein herausforderndes Aspekt hochdimensionaler Anwendungen wie der Videoüberwachung ist das kontinuierliche Lernen. Während aktuelle state-of-the-art-Methoden des tiefen Lernens auf bestehenden öffentlichen Datensätzen gut abschneiden, funktionieren sie in einem kontinuierlichen Lernrahmen aufgrund von rechnerischen und Speicherproblemen nicht zufriedenstellend. Darüber hinaus ist die Online-Entscheidungsfindung ein wichtiger, jedoch weitgehend vernachlässigter Faktor in diesem Bereich. Angespornt durch diese Forschungslücken stellen wir eine Online-Anomalieerkennungsmethode für Überwachungsvideos vor, die Transferlernen und kontinuierliches Lernen kombiniert. Dadurch wird die Trainingskomplexität erheblich reduziert, und es wird eine Mechanismus für das kontinuierliche Lernen aus aktuellen Daten ermöglicht, ohne unter katastrophalem Vergessen zu leiden. Unser vorgeschlagener Algorithmus nutzt die Merkmalsextraktionsstärke neuronaler Netzwerkmodelle für das Transferlernen sowie die Fähigkeit statistischer Erkennungsmethoden zum kontinuierlichen Lernen.