本文首先通过对异常事件问题的分析,将视频中异常事件检测的重点放在检测没有明确类别定义的异常事件检测上。为了解决这个问题,本文将异常事件的检测分为视频的特征提取和异常检测模型检测异常两个部分。在特征提取的方法讨论中,本文介绍了采用ICA、稀疏编码和稀疏自编码器来提取特征。而在异常检测的模型中,本文介绍了应用张量分解、计算重构误差的模型,和训练循环神经网络、并对视频特征预测的模型。基于这两个异常检测模型,本文分别设计了基于重构误差和基于可预测性的异常事件检测系统。接着,通过对这两个异常事件检测系统的比较和分析,本文指出了两个系统在视频的异常检测过程中对异常事件的判断逻辑上存在的差别。随后,本文对这两个系统在一个人群的异常事件数据集上进行了测试。最后,本文讨论了这两个系统对视频中动态信息的处理能力。其中,在对两个系统提取的特征的分析中,本文发现基于重构误差的异常检测系统提取的特征本身是带有动态信息的。而通过分析隐含循环层神经元在检测异常事件过程中的状态,本文进一步验证了基于可预测性的异常事件检测系统中的循环神经网络对视频中的动态信息的学习和处理能力。总的来说,本文设计并分别实现了两个有效的异常事件检测系统。同时,通过对这两个系统的测试,本文验证了这两个系统处理视频中的动态信息的能力。