近年来,随着各种公共安全、灾害检测、社会反恐等事件的发生,智能监控视频异常事件检测技术在广场、火车站、银行和机场等公共场所中发挥着越来越重要的作用。传统的视频异常事件检测依靠人工对视频信息进行分析处理,但是海量的视频数据大大增加了工作量,这种方式不仅效率低而且容易漏掉可疑目标和异常事件。监控视频异常事件检测的研究可以满足视频数据分析应用中自动实时报警的需求,视频异常事件检测应用融合了图像处理、模式识别和人工智能等多个领域知识,通过分析处理视频图像序列来理解世界,并能够智能化地对各种突发事件及时做出响应。通过结合视觉显著性检测技术,使得计算机能够更加关注监控视频场景中的重要视觉区域同时滤除相对不重要的视觉区域,从而对重要区域分配更多的计算资源,以降低计算成本,加快处理速度。本文深入研究了视频显著性检测和视频异常事件检测,并针对其中的缺陷提出改进的新方法。本文的主要创新工作如下。（1）本文借助于深度卷积网络强大的特征表示能力,考虑到自上而下和自下而上显著性特征之间的内在联系,提出了一种基于自顶向下深度语义和自底向上时空特征的全新的视频序列显著性检测方法。该模型先从语义感知流模型中提取自上而下的语义目标感知特征,然后将它们与时空显著性流模型中提取的自下而上时空显著性特征结合。为了有效地组合这些特征,我们将它们输入到反卷积网络模型中,用于语义特征和时空线索之间的特征共享学习,从而计算最终显著性图。此外,我们提出了一种全新的基于类高斯函数和L₂范数正则化项的损失函数来优化本文中所提出的模型。实验结果表明,与现有的视频显著性检测方法相比,本文所提出的显著性检测模型的预测性能表现更好。（2）在本研究中,我们从以下两个方面研究视频序列中的异常检测建模问题。首先,我们构建了一个新的大规模异常检测数据集,作为视频异常检测和分类的评测基准数据集。该数据集包括1200个正常和异常视频序列,其中包含12个异常类型,包括碰撞（Crash）、火灾（Fire）、暴力（Violence）等等。我们还标注了视频级标签(异常/正常视（频的异常类型）和帧级标签（异常/正常视频帧）。其次,我们通过学习局部和全局时空上下文特征,提出了一种有效的异常检测计算模型。实验结果表明,该方法优于现有的异常检测方法。