近年来随着各种公共安全、灾害监测、社会反恐等各类事件的发生,监控视频在我们的生活中已经无处不在,且监控视频的数据量也呈爆炸式增长,传统的通过人工方式去进行监控视频的信息处理不仅低效而且很容易漏过可疑目标和异常事件。基于这一原因,监控视频的智能化分析需求已经变得越来迫切,如何使用计算机对监控视频的内容进行更为高效的智能化理解已经成为近些年来的研究热点。本文主要对视频异常事件的检测进行了研究:(1)提出了一种光流宏块进行预处理的算法:对于视频底层特征的利用不局限于两种传统的处理方式——将像素级别的特征作为单独的一个整体或将无预处理的宏块特征作为单独的一个整体,而是通过对光流宏块进行预处理优化从而使得运动一致性较高的像素点作为单独的一个整体去表征成光流集合的形式。(2)提出了一种新的基于光流宏块的统计特征模型:在光流宏块的幅度特征的基础上,创造性的将信息熵理论引入到统计特征的提取过程中,通过将光流场的方向量化并计算出光流宏块的有序系数,很好的表征出了光流宏块的相位特征,然后用这两个特征融合构建出光流宏块的统计特征。(3)在算法流程框架的设计上也做出了创新性的贡献:在特征训练的机器学习模型选择方面,充分考虑到基于光流宏块的统计特征本身的物理含义,选用高斯混合模型去训练所提取出的光流宏块统计特征,使得训练出来的模型更符合异常光流宏块的异常程度,并基于高斯混合模型对于连续变量特征更为敏感这一特性,对测试集提取出的光流宏块统计特征先进行高斯滤波,而后再进行异常事件的判定。本文选择UCSD视频数据库,UMN视频数据库,Subway视频数据库以及U-turn视频数据库对提出的算法流程框架进行测试,实验结果表明本文所提出的光流宏块统计特征能够很好地表征出视频序列中存在的异常事件,从各个视频数据库中与其它同类算法的量化指标AUC和EER的比较中可以看出,本文提出的算法框架不仅具有较强的场景适应能力,而且在各个场景中都能有很好的异常事件检测效果。本文算法一定程度上解决了存在部分遮挡异常事件检测问题,同时对于异常事件检测有更好的定位效果。