随着社会各界对公共安全领域的意识逐渐加强,以及自动化、智能化技术的突飞猛进,保障公共安全的科学技术得到了越来越多的重视。目前,为了能够更有效的维护公共环境下的安全,许多公共场所安装了视频监控设备,然而传统的采用人工观察进行报警的方式已经不能有效处理日益增长的海量视频数据,并且会花费很多的人力物力。因此,一个能够自动检测、识别和报警的智能监控系统对公共安全具有重要意义。本文对视频异常事件检测的问题进行了探讨和研究。首先简要的介绍视频异常事件检测的基本理论,然后再对视频异常事件检测的研究现状及其常用方法进行了分析和总结,最后提出了两种基于深度学习算法的视频异常事件检测模型。本文的研究内容和成果如下:1、目前一些基于深度学习的视频异常事件检测方法直接通过自编码器的重构误差大小来判定测试样本是否为正常或异常事件。但在实际应用中,一些原始异常测试样本自编码后的重建误差也小于设定的阈值,从而将该测试样本误判为正常事件,导致异常事件漏检的情形。针对此不足,本文提出了一种融合自编码器和One-class SVM的异常事件检测模型。该方法首先通过三维卷积神经网络提取感兴趣区域的深度时空特征来表示运动事件,然后利用降噪自编码器重构误差与设定阈值的大小关系检测排除大部分异常事件,最后通过One-class SVM对重构误差小于阈值的事件再一次进行异常事件排除。2、由于实际监控场景的复杂性,不同的正常事件之间也很可能表现出很大的不同,数据存在多分布的特点,即样本空间存在较大的方差,如果采用单个超球面的One-class SVM对特征空间进行描述,可能会导致一些原始为异常的样本却检测为正常样本的情况。针对这一问题,提出了一种基于深度卷积聚类的异常检测方法。首先从视频中提取固定大小的图像块和光流块,然后进行像素级别的融合,得到包含运动和外观的时空信息。之后利用深度卷积聚类网络对时空信息进行特征表示的同时实现特征聚类,最后通过对每个聚类簇构建一个One-class SVM模型,利用其进行异常事件检测。