近些年来，随着视频数据的快速增长，建立有效的视频可视化系统，对系统中的这些数据进行智能化的管理，成为一个急需解决的问题。最引人注目的研究是人类的视觉系统是如何迅速、准确和全面的认识和理解复杂的视觉世界。在一个视频场景中，与理解相关的内容叫做“场景分析”。在计算机视觉中，场景分析近年来取得了一些巨大的进步,尤其是在物体的分类、定位和事件检测上。另外一方面，智能监控下的的视频异常行为识别，越来越得到重视。这是由于它不仅能够节省大量的人力，而且能够解决传统视频监控的滞后性。本文从理论和实际出发，针对场景中的路标、特定场景中的遮挡人脸以及暴力行为，进行了深入的研究，并提出了行之有效的对应的解决算法。本文的主要研究内容和贡献包括以下四个方面：　　基于视频的路标检测在助驾系统中起着重要的作用。本文设计一个鲁棒并且快速的路标检测系统，主要提出了三级层次的检测框架，其中包括关键帧选取模块、分割模块和检测模块。在关键帧选取阶段，本文提出一种快速准确的视频关键帧选取策略。在分割模块，本文提出了基于颜色对抗性的方法来产生候选的路标区域，这种方法简单有效，可以为检测模块节省大量的时间。在检测阶段，本文修改了传统的快速的径向对称变化算法，通过引入点对的投票机制，提出改进的径向对称变换以获取更高的准确率，用基于形状的方法来处理上述产生的候选区域，以检测出正确的路标。在很多数据集上的验证实验论证了本文算法的高效性和实时性。　　基于ATM取款机的犯罪行为已经得到了广泛的关注。犯罪分子为了避免身份暴露故意遮挡自己的脸部。为了解决这个问题，本文提出了一种基于ATM场景下的简单快速鲁棒的人脸遮挡检测算法，这种算法能够处理任何情况下的遮挡人脸检测问题。首先本文创新性地设计了基于高斯能量函数的头部定位算法，这种算法充分利用了人体头肩部形成的轮廓特征。然后设计了基于贝叶斯框架的头部跟踪算法，该算法很好地融合了形状和直方图的信息。最后设计了基于三种颜色空间的肤色提取算法，为了更好地判别一个人脸是否异常，本文将肤色检测和人脸模板融合到Adaboost中，利用级联的优势，得到了更具有判别性的分类结果。实验结果表明本文算法可以达到98.64%的人脸检测率和98.65%的遮挡人脸验证率，整个设计的系统可以达到每秒钟12帧的处理速度。　　暴力检测是监控系统领域的一个热门话题，但是它相对研究的比较少。本文提出了一种快速和鲁棒的暴力检测的框架。主要的贡献包括两个方面。首先，提出了光流的高斯模型(GMOF)来提取候选的暴力区域。然后，提出一种新的描述子，也就是改进的光流方向直方图(OHOF)，它是通过密采样候选的暴力区域，在多个尺度上建立一个时空特征描述子来对暴力行为进行检测。该算法不但可以检测出暴力行为，而且还能定位出暴力发生的区域。最后，实验结果论证了本文提出的算法不但具有较高的检测率，而且处理速度非常快。　　最后，本文从另外一个角度解决暴力检测问题。本文提出运动韦伯特征(MoWLD)和稀疏表示分类相结合的方式对视频中的暴力行为进行检测。首先，从输入视频中用高斯滤波去除一些噪声，然后再提取出MoWLD特征，紧接着，基于核密度估计的算法对原始特征进行降维处理，这样可以得到更为有效的特征。然后，本文提出改进的稀疏分类模型用于特定类字典的学习。在这个模型里面，表达约束项和系数调整项被提出用于字典的学习，使得学习的词典具备更强的判别能力。表达约束项可以控制系数的重构误差，从而更好地提高分类的准确性。系数调整项可以确保目标特征的分类误差，从而可以确保不同类的特征更加突出。因此提出的两个增加项可以使得模型具备更强的判别能力。最后相应的分类机制被提出用来对视频中的暴力行为特征进行分类。实验结果论证了本文提出的特征和模型都具备较强的判别性。