异常事件检测(Abnormalities Detection，AD)系统是智能视频监控中的重要组成部分，是模式识别领域的一个重要研究课题，具有较高的理论意义和实用价值。本文主要研究了以下三类事件检测：警戒区域入侵检测，暴力事件检测，以及机场人员“聚集”事件和人员“分离”事件检测。主要工作包括：　　 1.设计了一种使用MoSIFT时空特征结合隐马尔可夫支持向量机(SVM-HMM)分类器进行机场人员“分离”和“聚集”事件检测的方法。使用该方法，作者在TRECVID2011国际评测中取得了优异成绩，其中机场人员“分离”事件检测成绩在所有参赛队中排名第一。　　 2.提出了一种基于光流和码书模型的在线无监督学习方法，用于低质监控视频实时检测暴力事件，并能够定位事件在场景中的位置。实验结果表明，该方法能够有效检测复杂环境中的暴力事件并准确定位其发生位置。　　 3.详细实验分析了RGB帧间差背景建模、RGB平均值背景建模、RGB混合高斯背景建模、Bradski等人的码书背景建模、Kim等人的码书背景建模、SILTP背景建模、简化SILTP背景建模(SILTP平均值背景建模)和梯度方向混合高斯背景建模方法的性能，对背景建模技术的研究极具参考价值。实验结果表明难以有一种背景建模技术能够通用于各种场景，不同方法各有侧重。　　 4.针对以上问题本文提出了一种前景综合处理策略，能够有效处理绝大多数的复杂背景。该策略首先使用Retinex算法抑制光照变化影响，然后在背景建模得到的前景上进行阴影去除，最后使用本文提出的一种新颖的前景滤波方法滤除大量虚警。本文提出的前景滤波方法将统计信息与时间序列关联信息相结合，取得了较好的效果，可以有效滤除虚警。　　 5.本文结合前面提出的鲁棒的前景检测技术，采用基于跟踪的方法设计并实现了警戒区域入侵检测，在实验中取得了良好效果，能够有效减少来自外界环境的干扰，处理绝大多数复杂环境下的入侵问题，极具实用价值。