随着我国社会经济的快速发展,公共安全事故多发问题日益严重,踩踏、盗窃、打架等突发事件频频发生。因此,在公共场合进行全方位监控变得十分重要。由于传统视频监控手段因其成本高、效率低等众多问题,已无法满足公共需要,因此智能化安防监控技术应运而生。作为智能视频监控技术的重要分支之一,异常事件检测技术在维护公共安全方面发挥着重要作用。因此,基于视频的异常事件检测技术具有重要的研究意义和应用价值。本文的主要工作内容如下:（1）针对已有异常事件表示方法没有充分考虑视频背景信息冗余以及帧之间的时空相关性,难以适用于目标遮挡、背景复杂等运动场景中的问题,提出了一种基于目标前景检测的时空特征方法。本文采用背景差法与帧差法相结合的方法,完成了监控视频中视频图像的前景目标提取,解决了背景信息冗余的问题。在此基础上,通过计算视频时空容器内像素点的三维梯度来提取视频的时空梯度特征,然后利用主成分分析算法（Principal Component Analysis,PCA）进行特征降维,降维后的特征可以更好的表示监控视频中的运动场景。（2）针对稀疏组合学习算法无法自更新以及现有的异常事件检测方法输入通常为视频帧或光流图像,导致检测精度和速度低的问题,提出了一种基于时空梯度特征的自更新稀疏组合学习检测算法。首先通过前景处理方法与时空梯度模型相结合,获取视频运动前景块的时空特征;然后使用自更新稀疏组合学习算法迭代训练正常样本特征得到稀疏组合字典;最后利用字典对测试样本进行重构误差计算并进行异常判断,同时选择置信度较高的测试样本对组合字典进行更新。在Avenue标准数据集和UCSD数据集上的实验结果表明,与现有检测算法相比,本文算法不仅具有较高的准确率,还可以满足实时检测需求。（3）针对当前复杂场景下异常事件检测算法过度依赖帧级别标记,以及双流扩展三维卷积网络（Inflated 3D Conv Nets,I3D）模型耗时长、内存占用大等问题,本文设计了一种结合I3D与Motion Net网络的动态双流扩展三维卷积网络（Motion Net-Inflated 3D Conv Nets,M-I3D）模型作为特征提取器,进而提出了一种基于双流网络与多实例学习的异常检测方法。本文方法将正常视频和异常视频视为包,将视频片段作为多实例学习中的实例,利用M-I3D网络提取每个视频片段的特征,并将提取到的特征向量输入到三层全连接层,自动学习一个深度异常排序模型,该模型可以预测异常视频片段的分数。此外,为了在训练过程中更好的定位异常,本文在排序损失函数中引入稀疏函数和约束性函数。在UCF＿Crime数据集上与其它几种方法相比,本文提出的算法具有较高的准确率和较强的实时性。