随着社会经济的发展,尤其是在我国,城市化进程的加快,城市的人口密度越来越大,城市中的公共场所经常会迎来人流高峰。在这些密集区域经常会发生一些大规模的群体事件,如果这些群体事件得不到即时的处理,往往会酿成非常严重的后果。群体异常事件检测作为一种应现实迫切需求而产生的研究领域,正受到越来越广泛的关注。群体异常事件检测旨在从视频数据中发现隐藏着的、能刻画群体异常事件的特有的信息,并通过学习的方法训练检测模型,从而当下次有类似异常事件发生的时候,能够自动的及时的发出警报,以帮助人们及时的决策处理异常事件,避免事态进一步的扩大。该领域的研究具有广泛的应用前景,己成为当前研究的热点之一。群体异常事件检测系统的漏报与错报必然会给人们带来巨大的困扰和损失。目前已有的各种群体异常检测算法大都在检测的准确率和时间效率上不尽人意,都不能应用于实际应用。因此,有必要对群体异常检测算法进行更深入研究,开拓新思路,提出新算法,以提高准确率和时间效率,降低漏报错报率,进而能够更加快速高效地检测出聚集场景中的异常行为,提供更有价值的信息。本文从研究群殴、惊慌、暴乱等较易造成严重后果的典型的群体异常事件出发,通过对国内外各种群体异常检测算法,特别是在检测率和时间效率上的相关方面的研究,针对其不足,首次提出了自适应尺度的时空(SAST)特征立方体和高频时空(HFST)特征立方体的概念,并基于他们对群体异常事件检测方案进行深入研究,提出了新的异常检测算法和解决方案,取得了以下成果:1)根据视频序列中自身所包含的信息,自动的选择最佳的时空立方体的大小及位置,提取时空特征立方体。时空特征立方体的大小、位置以及数目都是由视频序列自身所决定。并在此基础上重新定义了不同尺度的时空特征立方体的相似性判断规则,将自适应尺度的时空(SAST)特征立方体同LDA模型结合起来,提出了完整的群体异常检测方案。提高了群体异常检测的准确率。2)提出了高频时空(HFST)特征立方体的概念,并提出了其计算算法。改进传统的HMM模型,将HFST特征立方体同改进的具有竞争机制的HMMs结合起来,提出了完整的用于局部重点区域群体异常事件检测的检测方案,极大的提高了检测局部区域异常事件的检测率;将HFST同LDA模型相结合,提出了完整的用于全局区域群体异常事件检测的检测方案。在不降低检测率的前提下,较之传统的算法极大的缩短了时间复杂度。使得群体异常检测能够用于实际应用。实验证明该算法具有很好的检测率及时间效率。