近几年来,随着民用和工业无人机发展,旋翼无人机在植保、消防和安保领域被大量应用。诸多研究者开始将各种计算机视觉技术移植到嵌入式平台中,用以构建基于无人机的智能监控系统。但是,这些基于无人机的监控系统还远未达到理想之状态,未能充分挖掘出无人机的高机动性的能力,也未能高效利用其无人机视频监控的潜力。并且,目前多数的无人机监控系统只是在悬停状态下运行着与固定摄像头监控系统类似的监控任务。如何让执行任务过程中无人机运动起来?如何进一步发掘无人机视频监控的潜力?如何提升无人机平台下异常事件监测的判别准确率?如何利用无人机嵌入式平台的有限硬件资源完成以上任务?这些都是本文重点讨论并且亟需突破的难题。本文立题于基于无人机平台的异常事件检测任务,并借此探究无人机监控系统的算法与系统实现。针对以上问题,本文作出以下主要工作:1)设计出分为两阶段的无人机异常事件监控框架。第一阶段异常事件检测是在飞行状态下应用机载计算资源,实现粗粒度的无监督异常事件监测,旨在发现地面粗粒度的异常事件,提供给无人机监控系统何时去执行悬停飞行姿态,进而进行下一步的细粒度监控任务。第二阶段的检测任务是利用网络带宽资源,将悬停状态下的地面情况传输给远程服务器,进而基于C3D神经网络进行有监督的暴力异常监测。两类检测算法相互补短,并且互为支撑,使得系统能够兼顾准确率和实时性.2)建立无人机无监督异常事件数据集与无人机校园暴力事件数据集.利用无人机的特性,并根据监控任务的需要,分别对两阶段的无人机异常事件检测任务建立了数据集。3)提出用于运动目标检测的帧间差搜索法。该算法用于提高无人机视角下的运动目标检测的准确率和执行效率。本文尝试在使用帧间差分法的同时引入选择性搜索算法的思想,将帧间差算法的结果作为一种图像的区域特征加入基于图像分割的搜索算法中,根据图像区域相似度合并相关的区域,最后直接得到运动物体的多个提名区域.并在单帧检测结果的多个提名区域中,采用对多个提名区域进行融合与剪枝的方法,以启发性的方式得到单帧的检测结果.实验结果证实两种算法思想的融合兼顾了准确率与执行效率,优化后的算法可以在无人机上的嵌入式平台中运行,实时得出运动目标检测结果。4)提出一种用于无监督异常事件检测的轨迹聚类异常检测方法。该方法用于第一阶段的无监督异常事件检测任务中,目的是在无人机飞行状态下得出地面异常情况的初步检测结果。首先,针对运动目标检测所得出的轨迹信息提取轨迹特征。然后使用基于聚类的异常检测方法得出地面的异常检测结果,并在数据集上达到86.7%的检测准确率与91.1%的异常检测查全率。5)提出一种基于C3D神经网络的暴力异常检测方法.该方法应用于第二阶段的有监督暴力异常事件的检测任务之中,目的是在无人机悬停后得出更为精确的地面异常检测结果.详细介绍本章中所采用的C3D神经网络模型。然后阐述针对监控任务所选取的三个暴力事件数据集:Hockey Fight数据集、Movies数据集和自己采集的校园暴力行为数据集。最后在三个数据集上分别进行模型训练和测试,取得普遍优于传统特征提取的检测准确率.6)设计并实现基于无人机平台的异常监控系统。该系统适用于地面异常的监控任务,通过前文所提及的两阶段监控任务,在保证检测准确率的情况下,兼顾整个系统的执行效率和响应时间。最后通过在树莓派、安卓手机和远程服务器上的多个软件模块实现系统的功能。