Le défi le plus crucial et le plus difficile dans le domaine de la surveillance vidéo intelligente consiste à détecter des anomalies dans une séquence vidéo comportant des comportements ou événements anormaux. La définition floue de l’anomalie rend cette tâche particulièrement complexe. Inspirés par l’adoption croissante des réseaux antagonistes génératifs (GAN), nous proposons une méthode de détection d’anomalies vidéo basée sur un GAN à discriminant latente amélioré (VALD-GAN), qui combine la puissance de représentation des GAN avec un nouveau cadre de discriminant latente afin de faire correspondre l’espace latente à une distribution prédéfinie. Nos résultats expérimentaux démontrent que la méthode proposée améliore de manière significative la capacité du modèle à discriminer les anomalies. VALD-GAN atteint des scores AUC et EER respectivement de 97,98 % et 6,0 % sur le jeu de données UCSD Peds1, de 97,74 % et 7,01 % sur UCSD Peds2, et de 91,03 % et 9,04 % sur le jeu de données CUHK Avenue. En outre, elle parvient à détecter 62 événements anormaux sur un total de 66 dans les vidéos de l’entrée et sortie de métro, avec seulement 4 faux positifs, ainsi que 19 événements anormaux sur 19 dans le jeu de données associé, avec un seul faux positif.