近年来，随着公共场所人群活动越来越频繁，参与人数越来越多，为了便于管理和出于安全警戒的需要，视频监控被越来越多地应用于城市生活的各个方面。然而，不断增加的监控区域数量给操作员带来了极大的工作负担。一方面，他们要在监控频幕上不断地进行切换，以便可以在某个监控区域发生异常事件时，能及时进行处理;另一方面，数量繁多的监控视频也给事后调查取证工作带来困难。　　同时，由于计算机视觉和机器学习技术的不断发展，多变环境下人类行为分析研究已经取得了很大的进展，使得智能视频监控技术称为可能。智能视频监控，即利用统计学、社会学、物理学等各个学科的模型，分析，处理监控视频数据进而自动检测出其中发生的异常事件。它已经成为近年来计算机视频领域的研究热点。　　本文对视频监控中人群异常事件检测问题，从几个不同的角度进行研究，提出若干异常事件检测算法。所提出算法在已公开异常事件检测数据集上进行测试，并与当前存在算法进行了比较，证明了算法的可行性和有效性。比较结果表明所提出的算法不仅在异常事件检测性能上优于或者相当于已存在算法，而且在算法的运算速度上也强于相比较的算法，部分可以实现在线实时检测。本文的主要贡献，归纳如下:　　(1)针对目前大多数异常事件检测算法不考虑时空上下文关系的问题，提出一种基于局部时空视频块组合信息分析的异常事件检测算法。算法使用模糊聚类方法和改进后的词袋模型把全局和局部正常行为模式用一个统一的模型来描述并用于异常事件检测。同时，考虑到视频中异常事件形状和尺寸的不同，使用多尺度分析技术来获得精确的异常事件定位。　　(2)针对异常事件数据分布难以预测的问题，提出一种基于高斯过程回归模型的异常事件检测算法。它是一种非参数模型方法，把特征在原始空间的分布问题转化到核空间来解决，并可以用距离来描述。算法探讨了模型超参数选择问题，通过实验给出了在测试数据集下合适的参数选择范围。此外，算法提出一个数值计算稳定性高的替代计算方式来取代矩阵求逆运算。　　(3)针对全局和局部异常事件表现形式不同问题，提出一种基于层次挖掘行为模式的异常事件检测算法。它在全局行为模式的基础上进行层次聚类分析得到局部显著行为模式，由贝叶斯准则，构造出统一的能量函数作为异常事件判定标准。算法在挖掘局部行为模式时，考虑到不同位置处行为种类的差别，使用了自动确定聚类类别数目的方法。另外，能量函数值的计算兼顾了动作行为在时间空间产生的影响。　　(4)提出了一种基于统计学习框架的异常事件检测算法。此算法以各个独立的单元为模块，包括:背景剪除，数据降维，混合分布模型，自动聚类分析。实验结果证明此算法检测性能好，处理速度快，可以达到实时的要求。此外，考虑到视角畸变对检测性能的影响，算法对原视频图像进行分块单独处理，进一步提高了检测精度。　　(5)从一个新的角度提出了一种稀疏背景下挥手事件检测算法。此算法把原来的三维情况下的运动检测问题转化为二维情况下的模式识别问题。它通过把原图像转化为行图像，挥手运动事件就转化为二维图像上具有周期性模式的曲线。然后，依次经过模板匹配和傅里叶频域分析，就可以定位挥手事件发生的区域。在自制视频集上的实验表明，此算法能够精确地检测挥手事件。