Die herausforderndste und schwierigste Aufgabe im Bereich intelligenter Videoüberwachung besteht darin, Anomalien in Videos zu erkennen, die anormales Verhalten oder Ereignisse enthalten. Die mehrdeutige Definition von Anomalien macht deren Erkennung zu einer komplexen Aufgabe. Inspiriert durch die breite Verbreitung von generativen adversarialen Netzwerken (GANs) stellen wir VALD-GAN (Video Anomaly Detection using Latent Discriminator Augmented GAN) vor, ein Ansatz, der die Repräsentationskraft von GANs mit einem neuartigen latenten Diskriminators-Frame­work kombiniert, um sicherzustellen, dass der latente Raum einer vorgegebenen Verteilung folgt. Unsere experimentellen Ergebnisse zeigen deutlich, dass die vorgeschlagene Methode die Fähigkeit des Modells zur Unterscheidung von Anomalien erheblich verbessert. VALD-GAN erreicht auf dem UCSD Peds1-Datensatz AUC- und EER-Werte von 97,98 % bzw. 6,0 %, auf UCSD Peds2 97,74 % und 7,01 % sowie auf dem CUHK Avenue-Datensatz 91,03 % und 9,04 %. Zudem gelingt es dem Modell, 62 von insgesamt 66 anormalen Ereignissen im Subway Entrance and Exit-Datensatz zu detektieren, wobei 4 Falschalarme auftreten, und 19 von insgesamt 19 Anomalien in einem weiteren Datensatz mit lediglich 1 Falschalarm.