Nous proposons un cadre novateur pour la localisation des anomalies dans des vidéos d’une seule scène, permettant d’offrir des raisons compréhensibles par l’humain quant aux décisions prises par le système. Nous commençons par apprendre des représentations générales des objets et de leurs mouvements (à l’aide de réseaux profonds), puis utilisons ces représentations pour construire un modèle haut niveau, dépendant de la localisation, applicable à toute scène particulière. Ce modèle peut être utilisé pour détecter des anomalies dans de nouvelles vidéos de la même scène. De manière importante, notre approche est explicite : nos caractéristiques haut niveau d’apparence et de mouvement peuvent fournir des justifications compréhensibles par l’humain quant à la classification d’une partie de la vidéo comme normale ou anormale. Nous menons des expériences sur des jeux de données standards de détection d’anomalies vidéo (Street Scene, CUHK Avenue, ShanghaiTech et UCSD Ped1, Ped2) et démontrons des améliorations significatives par rapport à l’état de l’art précédent.