在日常生活中,视频监控无处不在,广场、火车站、住宅小区、交通道路等常见场所,分布着大大小小,不计其数的摄像头。视频监控,可实现犯罪预防、交通管制、意外等作用,在维护社会安全中发挥着越来越重要的作用。本文是基于视频内容分析技术针对监控视频中的目标检测和行为识别开展研究,对视频中出现的目标进行检测,跟踪及行为识别。论文的主要工作和成果如下:在目标检测中,由于监控中的行人检测存在背景复杂,目标尺度和姿态多样性及人与周围物体互相遮挡的问题,造成yolov3对部分目标检测不准确,会产生误检、漏检或重复检测的情况。因此,在yolov3的网络基础上,利用残差结构思想,将浅层特征和深层特征进行上采样连接融合得到104?104尺度检测层,并将k-means算法聚类得到的边界框尺寸应用到各尺度网络层,增加网络对多尺度、多姿态目标的检测效果。同时,利用预测框对周围其它目标的斥力损失更新yolov3损失函数,改善目标间互相遮挡而影响的检测效果。实验结果证明,在MOT16数据集上,相比yolov3算法,提出的网络模型具有更好的检测效果,证明了方法的有效性。针对视频图像中时空信息的分布不平衡问题,充分捕捉视频空间信息和动态运动信息,更好地揭示动作特征,提出了一种引入注意力机制的2D/3D混合卷积网络。借助双流卷积网络结构思想,分别搭建了2D卷积和3D卷积并行神经网络。在2D卷积神经网络中,利用残差结构和LSTM网络模型着重提取视频行为的空间特征信息。其次,利用Inception结构搭建的3D卷积神经网络提取视频行为的时空特征信息。在提取的两种高层语义的基础上,引入注意力机制对特征进行融合。最后,利用得到的显著性特征向量进行视频行为识别。在UCF101和HMDB51数据集上同其他网络模型进行对比实验,从结果可以看出,提出的2D/3D混合卷积网络具有很好的识别性能和鲁棒性。由于多目标跟踪中出现的不可靠检测和类别内遮挡情况导致轨迹匹配时数据关联出现歧义,影响其跟踪效果,提出了一个基于高性能检测和融合外观、运动和形状信息的关联方法进行多目标跟踪。首先,在检测阶段选择改进的yolov3网络模型对数据集进行目标检测,得到高性能的检测结果。其次,利用构建的宽残差网络模型对检测结果进行特征提取,得到具有外观信息和位置信息的特征向量。最后,通过计算特征向量的外观、运动和形状相似度进行轨迹匹配实现多目标跟踪。实验结果证明,在MOT16数据集上,提出的多目标跟踪模型具有好的跟踪效果,证明了方法的有效性。