监控视频中的事件检测技术是智能视频监控系统的核心,本文针对监控视频中的事件检测问题进行了探索研究,具体包括行人检测、多目标跟踪以及摔倒事件检测三方面。近年来兴起的深度学习模型为计算机视觉领域带来了很多解决问题的新思路,本文对Faster-RCNN框架进行改进,通过将VGG网络中的特征图进行融合的方法,提高了特征图的分辨率,改善了检测的精确度。在公开数据集上的测试结果显示这种方法提高了检测的准确率和召回率。实现并改进了一种基于轨迹置信度的多目标跟踪算法。这一算法分两个阶段进行,第一阶段关联高置信度的轨迹片段以达到局部连接的结果,第二阶段关联低置信度的轨迹片段,把那些中断的轨迹片段从全局角度关联起来。在关联的过程中,为了消除透视及图像畸变对尺度特征的影响,提出了使用场景中每个位置的人的平均宽、高来归一化检测框尺寸的方法,这一方法使得图像中距离较远且中断较久的轨迹更容易得到重新连接。实验表明这种改进是有效的。设计实现了两种摔倒检测算法。第一种摔倒检测算法基于传统方法,使用Cmotion特征序列、姿态特征序列结合隐马尔可夫模型来检测摔倒事件。在摔倒检测过程中,本文提出了一种判断人的姿态的方法:通过人在图像中某位置上的投影高度来确定人是否直立,并结合其它特征确定人的姿态。第二种摔倒检测方法基于深度学习,此方法通过结合视频中的光流图和灰度图的信息进行人的姿态判断,并使用姿态序列进行摔倒事件的检测。实验证明了这两种算法的有效性。