近年来,监控视频数据在城市安防工作中的重要性日益显著,具有重要的研究价值。监控视频记录了各种真实的异常事件,包括人的异常行为(如违法犯罪行为等)以及异常现象(如建筑的火灾等),这些异常事件是侦察破案等安防工作中不可缺少的重要信息,然而不同于正常事件,异常事件发生的概率较小,想要在海量的监控视频数据中找到所需的异常事件的信息非常困难。传统的检索方法无法满足分析异常事件的需求,并且在处理海量监控视频数据时,检索效率和检索性能仍有不足。因此,本文将异常事件作为研究对象,对检索技术的关键环节进行研究和改进,实现根据查询图像,快速、有效地检索到与图像内容相关的监控视频异常事件片段的检索方法。本文的主要研究内容如下:1.针对监控视频冗余信息多,异常事件信息获取难度大的问题,本文对时序动作检测技术进行研究,提出了基于时序动作检测技术的异常事件检测算法。通过异常事件检测算法对原始监控视频提取异常事件片段,去除大量的冗余信息,从而得到远远小于原始监控视频数据量的异常事件视频数据库,便于后续检索。针对目前多阶段时序动作检测算法精度较低的问题,提出了改进方案:结合C3D(3D Conv Nets)网络与多实例学习方法构造异常事件片段补充生成器、修改分类网络的结构。通过实验证实了本文所提出的算法能够有效的提高检测性能、准确的获取监控视频中的异常事件片段。2.针对监控视频数据量大、查询数据与数据库数据信息不对称的问题,本文提出了一种高效的视频检索算法。对异常事件数据库进行特征提取、索引构建及距离度量。首先通过SCFV(Scalable Compressed Fisher Vector)方法生成占用内存较少且计算简单的视频特征向量。然后使用数据库技术对视频特征向量构建多级索引结构,使得检索方法在处理海量高维监控视频数据时,仍然能够以较少的时间得到较好的检索结果。之后,考虑到查询数据与数据库数据的非对称关系,使用非对称比较算法实现特征向量间的距离度量。通过多组实验对以上方法进行验证,证实了本文所提出检索算法有效的解决了以上问题,在效率和精度方面都具有较好的表现,满足实际应用的需求。