随着城市的发展,人口的增多,视频监控系统被广泛应用。而传统的视频监控,主要是通过人工来完成检测,这种方式通常容易让人产生疲劳,进而造成漏报或误报现象的发生,最终导致社会公共安全受到很大的挑战。所以,一个能够准确、实时分析视频内容并发现异常的智能视频监控便倍受社会关注和欢迎,而且它也成为计算机视频领域重要的研究内容。近几年,异常事件的检测方法有了很大程度的发展,其中,基于稀疏表示的检测方法相比以往的算法和模型,在异常事件的检测准确度上展现了更好的性能。然而,经研究发现,该方法也有着自己的缺点,由于利用完备字典对信号进行表示时,每次需要从冗余的空间搜索合适的原子基组合,需要耗费大量的时间,从而导致视频的检测速度偏慢,远达不到实际应用的要求。所以,针对这一问题,本文研究了一种利用稀疏组合替换字典的检测方法。通过限定每一个组合中原子基的个数,同时让每个组合在学习的过程中表式尽可能多的事件,这样便学习到一个稀疏组合集,其中组合个数远小于字典中的组合数。最后,在对测试帧进行稀疏表示阶段,无需再从冗余的空间中进行搜索,只需利用有限的组合进行表示即可,从而提高事件的检测速度。同时,围绕稀疏组合,本文提出了两种策略。第一,组合在线扩展更新。考虑到,随着时间的推移,先前学习的稀疏组合可能不会很好地表示当前事件。根据一个事件在时空上具有相关性,本文对以检测为正常事件进行再学习,扩展原先的组合集,以提高异常事件检测的准确率。第二,背景建模去冗。由于监控视频本身具有大量的冗余存在,所以,在稀疏组合学习过程中,就不得不同时处理大量重复出现的静态背景“事件”,这是很耗时的。考虑到这种情况,本文首先利用背景建模方法提取出当前视频中的背景,通过对背景进行组合学习,继而对训练特征进行重构,以便去除其中大量的冗余,从而减少稀疏组合学习的时间,提高效率。最后,本课题在实验当中使用了公共视频库:AVENUE、UCSD以及UMN,在检测正确率和检测速度方面与其他算法进行对比分析。实验证明,本文研究的方法不仅在检测准确度上与当前最优的基于稀疏代价重构的方法相近,而且在检测速度上展现了更好的性能,可达到实际应用的要求。