当前视频监控系统只起到监控和存储作用,视频中许多重要事件和异常事件的发现都依赖于人工操作,费时费力,且会错过很多重要信息。监控系统之所以没有实现智能化,其本质原因是计算机所理解的低层次图像信息与人类所理解的高层次语义信息之间存在“鸿沟"。如何跨越这道“鸿沟",是监控系统智能化的关键。数据挖掘可以从海量数据中发现潜在的、不为人知的、有价值的信息。将数据挖掘应用到视频数据的分析与识别,实现低层次图像信息与高层次语义信息的关联,是目前数据挖掘的一个新的研究方向。异常目标是指该目标对象的运动特征、表情特征、轨迹特征等不同于正常行为模式下对象的特征。而异常目标识别需要利用对象的一组有效特征为该对象建立一种描述模型。视频监控中同一时间段内可能会出现非常多的运动目标,将异常对象从众多目标中提取出来就涉及到将这些对象按其行为模式(正常或异常)进行分类。利用数据挖掘技术识别监控视频中异常目标是指是计算机首先自动将视频段中的对象分割并进行特征提取,然后选取合适的挖掘算法对提取的特征进行挖掘,同时构造分类器,最后利用分类器对检测视频中的对象进行分类。本文研究方向是将数据挖掘技术应用于监控视频中异常目标的识别,主要研究内容如下：(1)分析和研究了数据挖掘中常用的分类算法,包括决策树分类、贝叶斯分类、神经网络分类、K-最近邻分类、关联规则分类等,并通过实验比较了各种算法的分类准确率。结合分类算法的评定标准和智能监控系统所要实现的功能,选取基于关联规则的分类算法作为主要的挖掘算法。(2)对传统的关联分类算法进行了深入的研究,并结合仿真实验分析了该算法支持度和置信度阈值设置可能引起的一些不良后果。(3)针对传统关联分类算法支持度和置信度阈值敏感性这一缺点,提出了利用模拟退火算法对支持度和置信度阈值智能优化的关联分类算法SC。该算法利用智能优化方法使支持度和置信度阈值通过机器自学习来设定,这一改进克服了传统算法依经验值确定最小支持度和置信度可能导致分类准确率较低的不足,使阈值设定可以与问题规模良好结合,分类准确率达到全局最优。通过与传统关联分类算法CBA、爬山算法优化的分类算法HC的分类结果进行比较,验证了模拟退火优化的分类算法SC具有较高分类准确率。(4)提出了基于数据挖掘技术的具有异常目标识别功能的智能监控系统框架,该框架结构基于关联分类算法对视频对象进行识别。该系统主要由数据挖掘子系统和用户子系统构成。对于用户选定的视频,系统可以自动进行对象分割、特征提取、关联分类,进而识别异常目标并将其存入异常目标库,方便用户查看。