视频处理技术在科学研究和工程应用上有着十分诱人的前景。视频设备的连续工作,产生了大量需要处理的数据。如何对视频事件进行快速而准确的分析是一个值得重点关注的热点问题。论文针对视频事件分析的相关方法进行了深入研究,主要包括:视频序列段落划分、运动目标检测与跟踪和视频语义事件检测。视频序列中的事件主要由两方面原因引起:一是目标的运动或变化情况,二是场景整体的变化情况。因此相应的研究也从两方面展开,分别是基于目标属性约束的视频事件检测和基于复杂条件约束的足球感兴趣事件检测。在视频段落划分方面,提出了一种基于帧间信息的视频段落划分方法,可以从视频序列中检测出时空联合分布上和序列整体平均特性明显不一致的段落。该方法选择颜色变化信息、运动变化信息和运动变化率来描述场景的变化和场景中目标的变化,并对长时间视频序列进行段落划分。方法不需要提取关键帧和运动目标,克服了一般镜头检测方法处理静态背景视频时出现的效果下降问题,并且提高了处理效率。在运动目标检测与跟踪方面,提出了一个既适用于静态背景又适用于动态背景的目标检测和跟踪处理框架。框架由三个部分组成:基于连续帧差的背景类型确定,采用粒子滤波方法的目标跟踪,以及采用适合具体背景类型策略的目标精确检测。在静态背景中,提出了一种改进的自上而下的局部层次化混合高斯模型算法(LHGMM)进行目标精确检测,由于方法在局部区域内进行相应计算,可以提高准确性和处理效率。在动态背景中,提出了一种自适应水平集(ALS)方法进行目标轮廓精确检测。方法能够自动确定零水平集并在特定区域内进行曲线演化,使目标轮廓检测更加精确。在基于目标属性约束的视频事件检测方面,首先提出一种基于模糊粗糙集的属性选择方法。该方法能够结合具体应用背景,合理选择视频处理过程需要的特征,并建立事件的时空联合描述。然后研究了三种具体视频场景下的视频事件分析方法:(1)提出一种基于区域特征的过路行人异常行为检测方法,利用背景区域分割信息和目标区域变化信息检测过路行人的异常行为,可以满足实时性处理要求。(2)提出一种基于轮廓特征的人体姿态分析方法,利用轮廓特征的周期特性对人体姿态进行分类。(3)提出一种基于运动特征的交通路口视频事件检测方法,通过对运动轨迹的自动学习分析运动轨迹的区域和方向,并检测异常行为事件,实现监控视频的在线处理。在基于复杂条件约束的足球事件检测方面,首先提出一种基于层次化分类树模型的视频片段分类方法。该方法仅利用简单的低层特征,就能够对提取的视频片段实现迅速而有效的分类。在片段分类的基础上,提出一种基于时间结构信息的足球感兴趣事件检测方法。方法利用足球视频事件特定的时间结构信息与运动等低层特征相结合检测预先设定的感兴趣足球事件。由于检测方法直接利用场景条件约束,避免了难以实现的大量运动目标的检测与跟踪,提高了处理质量与效率。