Die Video-Anomalieerkennung (VAD) befasst sich mit der Aufgabe, anormale Ereignisse in Videodaten automatisch zu identifizieren. Die derzeitigen VAD-Systeme basieren hauptsächlich auf monochromen oder RGB-Bildern als primäre Datentypen. Die Verwendung von Tiefenbildern in diesem Kontext bleibt jedoch trotz der großen Beliebtheit von Tiefenbildern in zahlreichen anderen Gebieten der Computer Vision und der zunehmenden Verfügbarkeit kostengünstiger Tiefenkameras kaum erforscht. Wir evaluieren die Anwendung bestehender autoencoderbasierter Methoden auf Tiefenvideos und schlagen vor, die Vorteile der Nutzung von Tiefendaten durch deren Integration in die Verlustfunktion zu nutzen. Die Trainingsphase erfolgt unsupervisiert anhand normaler Sequenzen, wobei keine zusätzlichen Annotationen erforderlich sind. Wir zeigen, dass Tiefendaten eine einfache Extraktion von Hilfsinformationen für die Szenenanalyse in Form einer Vordergrundmaske ermöglichen, und demonstrieren deren positiven Einfluss auf die Leistung der Anomalieerkennung anhand einer großen öffentlichen Datensammlung, für die wir zudem die ersten Ergebnisse vorlegen.