La detección de anomalías en videos juega un papel vital en los sistemas de monitoreo de video inteligentes. Ha encontrado amplias aplicaciones en los campos de la seguridad pública y la seguridad social. Sin embargo, el área de detección de anomalías en videos sigue siendo una tarea formidable debido a la naturaleza intrincada de los datos reales y al desafío de identificar con precisión las anomalías. Los enfoques actuales de detección de anomalías sufren de una capacidad de generalización excesiva, una débil capacidad de extracción de características espacio-temporales y una capacidad de agregación de información global insuficiente. Por lo tanto, en este documento se propone un modelo no supervisado de Flujos Normalizadores basados en Grafos Hiperbólicos (HGNF), que se construye con un Codificador Espacio-temporal (STEncoder) y flujos normalizadores apilados para reducir la sobre-generalización de los modelos de detección de anomalías basados en auto-codificadores. STEncoder consta de atención espacio-temporal y agregación de características entre cuadros. En los flujos normalizadores, se desarrolla un extractor de gráficos de bola de Poincaré para mejorar la capacidad de representación de los cambios dinámicos de los datos de entrada, y se establece un bloque de acoplamiento afín enmascarado para mejorar el rendimiento de este modelo en la agregación de información global. Según los resultados experimentales obtenidos en cuatro conjuntos de datos públicos, HGNF logra un excelente rendimiento y la mejor puntuación de AUC (Área Bajo la Curva) del 74.5% en el conjunto de datos UBnormal.