近年来,随着全球经济飞速发展、社会迅猛进步以及各国综合国力不断提升,社会治安问题日趋严重，大到银行、商场、地铁、车站和工厂，小到居民小区和学校宿舍等各种场合，对安全防范实时记录和实时自动报警的需求都在不断增加,对智能化程度的要求也越来越严格。传统的监控模式已经远远不能满足需求，结合各监控场景特点的智能化视频监控系统是热门发展趋势。智能化视频监控是指在几乎不需要任何人为干预的情况下，充分地运用计算机视觉、数字图像处理和模式识别等多种方法对摄像机实时拍摄的视频序列进行自动分析处理，主要包括对监控区域中感兴趣的、事先定义好的行为事件。首先进行前景检测和提取，然后做相应的标记和跟踪，最后进行行为分析和视频注解，同时当视频中出现异常行为时进行自动报警提示。本文主要针对视频监控中的异常行为分析进行了深入的研究，采用中科院自动化研究所的CASIA视频数据库作为分析的数据来源。CASIA视频数据库主要包括单人行为，如走、跑、跳、晕倒和徘徊等，双人互动行为，如打架、超越、抢包、相遇和分开等，针对多种行为提取关键特征进行行为的分类和识别。主要研究内容包括以下几个方面：1.针对运动目标检测，本文主要研究并应用HS光流法、LK光流法、帧差法和混合高斯背景建模法三类算法，并分别进行了仿真实验，通过对三种算法实验效果的比较，最终选定高斯背景建模法。本文运用kalman滤波器实现对运动目标跟踪，并针对多目标、目标融合和目标消失等多种情况下的跟踪分别进行讨论，并进行实验仿真，实现了单目标和多目标的有效跟踪。2.针对运动目标特征提取，本文选择与拍摄视角、运动目标成像大小、运动目标呈现形态和姿势均无关的一组特征，如运动速度、目标区域高宽比、运动区域光流矢量、基于幅值加权的运动主方向角和幅值加权方向角的熵等。通过对不同行为的特征进行比较分析，验证了其具有有效的区分度。3.针对行为分类，将所有特征作为一组特征矢量，采用SVM分类法实现多分类。并针对距离支持向量近的样本采用KNN分类法，以增加分类的精度。即本文最终采用SVM-KNN分类器最终实现对多种行为的多分类。在算法研究的基础之上，本论文开发了智能视频监控实验系统，验证了各模块功能的有效性。