随着摄像机视频监控的广泛应用，面对实时全天候摄入的海量视频监控数据，不仅需要对视频进行有效地组织和管理，还需要让计算机自动地理解视频内容并做出处理，实现智能化视频监控。智能化视频监控是计算机视觉领域的一个前沿方向，它综合利用模式识别、机器学习、图像处理等技术，在交通管理、安全监控等方面有着广泛的应用前景，成为一个热点研究问题。本文针对智能视频监控中异常事件检测和视频摘要两个关键问题，进行了深入的研究，主要研究成果与贡献如下:　　 (1)提出了一种改进的社会力模型(Social Force Model)，用于拥挤场景下全局异常事件检测。现有的社会力模型中，没有充分考虑目标间的运动一致性、距离和视角对相互作用力的影响。本文算法充分考虑以上所提三点，更加准确地计算各运动目标之间的相互作用力，然后用基于词袋(bag-of-words)的方法提取特征，最后用SparseTopic Coding训练模型，进行异常事件检测。　　 (2)由于训练样本有限，在异常事件检测中，训练一个基于概率的模型比较困难。基于稀疏编码的方法，可以解决由于训练样本不足带来的问题。然而现有的基于稀疏编码的模型，对噪声的鲁棒性较差。为了解决这个问题，本文采用基于矩阵分解加稀疏约束的方法学习字典。在矩阵分解中，采用更加鲁棒的距离度量EarthMovers Distance(EMD)代替传统的欧式距离，来克服特征提取带来的噪声问题。由于EMD计算复杂度非常高，所提算法采用基于小波分解的近似EMD取代原始EMD，来降低算复杂度，同时可以保证训练字典优化算法的凸性。另外，所提算法采用两种不同的时空基用于全局和局部的异常事件检测。实验结果表明，所提算法取得了较好的性能。　　 (3)考虑到在同一目标的运动序列中，相邻的观测点(observation)通常具有相似的行为和表观特征，因此本文提出了基于关键目标选择的视频浓缩算法，用于消除内容上冗余，用于提高视频浓缩效率。在关键观测点选择中，采用一种数据驱动方式，即通过综合考虑距离、运动、与表观属性来构建多核相似性度量，实现了自适应选择。在视频浓缩算法上，考虑了目标重叠损耗、丢失损耗、背景不一致损耗和长度损耗，用模拟退火法进行优化，得到最佳排列，在背景上叠加得到浓缩视频。　　 (4)提出了基于摄像机网络的视频浓缩算法。对大场景进行协同监控，采用多个具有部分重叠的摄像机，在全景图上进行视频浓缩，展现完整的运动行为。由于投影误差、时间不同步和目标提取误差等原因，摄像机之间提取的目标运动轨迹容易造成不匹配。为了克服上述问题，本文采用基于加权随机游走的图匹配算法，结合多种有效特征，进行摄像机之间的运动目标轨迹匹配，然后对匹配好的轨迹在重叠部分进行融合。在浓缩算法上，考虑了目标重叠损耗、丢失损耗、背景不一致损耗和长度损耗，用模拟退火法进行优化，得到最佳排列，在全景图上叠加得到浓缩视频。