异常事件检测是计算机视觉中的重要任务之一,其目标是在视频序列中识别并定位出包含非正常事件的子序列。随着日常生活和工业中的监控设备的不断增加,人们对于监控系统的智能化的要求也不断提高。异常事件检测作为监控系统的主要功能之一,也越来越来受到重视。但目前异常事件检测面临着众多挑战,不仅是开源工具的缺失,还有算法本身对于事件特性使用的不充分,因此针对目前的挑战,本文设计实现了异常事件检测的开源工具PyAnomaly,并提出了多尺度的异常事件检测算法。首先,本文在全面调研视频中异常事件检测算法的基础上,通过对训练流程的改进,项目结构的设计,实现方法的优化等,实现了一个具有高度易用性和灵活性的异常事件检测开源工具。本开源工具为研究者和开发者提供统一的数据接口,评测指标以及业内先进算法的实现,有助于异常事件检测任务的发展。其次,由于视觉特征和事件模式之间存在巨大的语义差异,准确识别视频中的异常事件具有很大的挑战。现有的研究通常单独利用视频中的场景或人体外观等全局特征,建立视觉特征与事件类型之间的联系。虽然这样的方法已经取得了不错的表现,但难以全面地根据事件的模式判断事件的类型。因此,本文提出了使用视频中多个尺度信息共同判断异常事件,针对事件中的全局信息和局部信息的使用以及意义提出了新的思路。最后,本文对在实际场景中如何使用异常事件检测算法赋能智能监控系统进行了探索。通过领域驱动设计的方法,设计了异常事件检测系统并基于Web服务设计实现了一个智能监控系统中的异常事件检测的原型应用。