视觉特征是对不同事物本质属性的编码表达,被广泛用于判决、分类等各项视觉任务,并且提取特征的优劣直接影响着整个算法的性能。在视频场景分析任务中,如何有效地对运动信息进行表征,精确地实现行为检测或识别等任务,一直以来都是研究的重点和难点。传统的手工设计特征因其需要难以实现的专业先验知识而制约着场景分析性能的进一步提升;基于视觉仿生机理的深度学习结构虽然具有优异的编码表达能力,但是,其编码原理常被当作是输入至输出的黑盒子过程,忽略了感知层级编码与运动模式之间潜在的关联和编码特性,对于设计更合理的层级结构缺乏必要的建议。特征提取作为异常检测任务中的难点之一,其主要体现在:如何对场景中的不同运动模式信息进行高效表达,构建常规运动模型。异常检测是视频场景分析领域很重要的一项研究任务,主要描述场景中偶然出现或异于其他常规运动的模式类别。此外,该项视觉任务的另一大难点是如何设计出更准确的异常行为判断准则,提高预测精准率。同样地,视频场景的多变性和复杂性也使得异常检测仍然是一项具有挑战性的视觉任务。针对上述问题,本文主要开展了以下工作:(1)针对运动感知特征编码难题,通过采用无监督学习算法构建符合人类视觉系统信息处理机制的层级学习模型,以视频运动场景为研究对象,逐层研究其编码特性以及与运动模式之间的关联,并形成具有普适性的编码规律;(2)针对上述异常检测任务中的编码和判断准侧难题,综合考虑运动区域的外观和运动信息,充分利用上述层级编码规律,构建基于层级感知编码框架的异常检测模型,以无监督方式从高层融合表达特征中挖掘场景中的常规运动模式,并利用无参数核密度方法估计其模式分布,通过单类支持向量机计算运动模式的异常得分度量其异常程度;(3)针对当前运动提议方法对视觉感知层级关系描述能力的不足,提出符合人类视觉系统信息处理机制的显著运动提议模型,对视频中的运动区域进行空间和时空领域的提议,并对运动区域提议在异常检测中的作用进行了总结和分析。