随着计算机视觉处理技术、电子技术、通信技术利智能信息处理技术的快速发展,智能视频监控系统在国防建设、交通管制以及智能安保等众多领域中得到广泛的应用。而现有的大多数视频监控系统仍依赖于监控人员的现场操作,造成了人力资源的浪费,也影响了整个工作系统的效率。因此,对智能视频监控系统中的关键技术进行研究并提高视频监控的性能具有重要的理论意义和实用价值。目前,智能视频监控方面的研究和应用都面临着很多难题,国内外的许多学者投身于该领域的研究,并取得了大量的成果。本文在这些成果的基础上,主要针对智能视频监控系统中的运动目标特征提取与异常事件检测两个步骤进行了研究,主要的工作概括如下：1、简要介绍了智能视频监控系统的主要任务、相关技术及其应用；概述了贝叶斯方法、分层贝叶斯方法及其基本算法；归纳总结了常用聚类方法及其适用范围和优缺点；列出了聚类算法的几个性能指标。2、针对视频文件的非结构化、以像素的形式存储目标对象的颜色、亮度和位置等低层信息且数据量巨大、表现内容多样性的特点。本文将视频文件进行预处理,借助于比较成熟的文本处理技术来实现视频文件的分析。3、针对智能视频监控中的运动目标特征提取问题,采用改进的金字塔Lucas-Kanada(PLK)光流法来提取运动目标的特征。传统的Horn-Schunck光流法属于稠密光流算法,对于运动不明确的像素,其计算量相当大；而Lucas-Kanada就是一种稀疏光流法,解决了计算量大的问题,然而该方法有很多限制条件,使得该光流法具有很多局限性。PLK光流法的基本思想是构造图像序列的一个金字塔,较高的层是下层平滑后的下采样形式,原始图像层数等于零。该方法提高了满足运动假设的可能性,从而实现对快速运动目标的特征提取。针对PLK光流算法中使用的最小二乘方法稳健性差的缺点,使用加权最小二乘法对PLK光流法进行改进。实验结果表明：相对于传统的光流法,改进的PLK光流法具有较好的特征提取效果。4、针对智能视频监控中的异常检测问题,提出了加权分层贝叶斯模型。该模型的核心思想是对先验分布的选取采用分层先验,其基本思路：人们可能同时掌握总体结构和部分细节的先验信息,则分阶段(层)有步骤地建立模型,当所给定先验分布中超参数难以确定时,可以对超参数再给出一个先验,第二个先验称为超先验。由先验和超先验共同决定的一个新先验,就称为分层先验。该模型将分层贝叶斯分析的理论用于模型的先验分布假设,有助于消除先验分布对估计结果的过度影响,增强估计的稳健性,使模型具有较强的适用性。实验结果表明：相对于传统的贝叶斯,该模型具有较好的异常事件检测效果。