El crimen genera pérdidas significativas, tanto humanas como económicas. Cada año, se pierden miles de millones de dólares debido a ataques, crímenes y estafas. Las redes de cámaras de videovigilancia generan grandes cantidades de datos, y el personal de vigilancia no puede procesar toda la información en tiempo real. La vista humana tiene limitaciones críticas. Entre esas limitaciones, el enfoque visual es uno de los más críticos al tratar con la vigilancia. Por ejemplo, en una sala de vigilancia, un crimen puede ocurrir en un segmento de pantalla diferente o en un monitor distinto, y el personal de vigilancia puede pasarlo por alto. Nuestra propuesta se centra en los robos en tiendas mediante el análisis de situaciones que una persona promedio consideraría como condiciones típicas, pero que eventualmente podrían llevar a un crimen. Mientras que otros enfoques identifican el crimen en sí, nosotros modelamos el comportamiento sospechoso, el que puede ocurrir antes de la fase de preparación de un crimen, al detectar segmentos precisos de un video con una alta probabilidad de contener un robo en tiendas. Al hacerlo, brindamos al personal más oportunidades para actuar y prevenir el crimen. Implementamos un modelo 3DCNN como extractor de características de video y probamos su rendimiento en un conjunto de datos compuesto por muestras de acciones diarias y robos en tiendas. Los resultados son alentadores, ya que el modelo clasifica correctamente el comportamiento sospechoso en la mayoría de los escenarios en los que fue probado. Por ejemplo, al clasificar el comportamiento sospechoso, el mejor modelo generado en este trabajo obtiene valores de precisión y recall de 0.8571 y 1 en uno de los escenarios de prueba, respectivamente.