事件理解是智能视频监控中的重要研究方向,在安全防范、刑事侦查和城市管理等方面有着广泛的应用前景。传统的监控视频事件理解主要是通过人工查阅的方式,处理速度慢、自动化水平低、成本高,远远无法满足大规模智能视频监控的需求。另一方面,随着人工智能技术的发展,计算机自动化地高效理解视频中发生的事件成为可能。因此,视频监控事件理解技术逐渐成为研究的热点。围绕智能视频监控中的事件理解,本论文从人体动作实时识别、监控视频中异常事件检测、基于自然语言查询的事件检索三个方面开展研究。本论文的主要贡献具体如下:（1）结合三维卷积神经网络和时序编码的实时动作识别方法。针对视频多层次时序结构的复杂性,我们提出了使用三维卷积神经网络来捕捉单帧视觉特征和建模视频帧间的短时信息,同时提出了时序编码算法来捕捉视频中的长时序特征。整个过程中我们不需要提取如光流图那样计算复杂度高的特征,在训练和测试阶段均对视频稀疏采样,从而降低了时间复杂度。此外,我们还使用剪枝、量化等算法来压缩模型的大小,方便模型的实际部署。实验结果表明我们的方法实现实时识别人体动作的同时,也提高了动作识别的准确率。（2）基于迁移学习的异常事件检测方法。针对监控视频中训练样本不足,我们从大规模动作识别数据集上迁移相关的共性知识,利用动作识别中的动作类别和事件检测中的事件类别之间的语义相似度,完成事件检测。此外,我们发现了监控视频中的背景偏差现象,即现有的模型并没有学到异常的模式,而是根据监控视频的背景信息作出的判断,并针对性地提出了区域损失函数来引导模型关注异常区域,还提出了使用元学习来建模训练样本之间的关系,增强模型的泛化能力。实验结果表明我们的方法提高了异常事件检测的准确率。（3）语句引导的多阶段语义融合的事件检索方法。基于自然语言查询的事件检索以自然语言为查询目标,在视频中定位出自然语言所描述事件的起止时间。针对语句中语义信息复杂性的挑战,我们在特征提取阶段,设计了前期调制模块来调节视觉特征的提取过程,以生成包含丰富语义信息的视觉特征;在时序定位阶段,设计了后期引导模块使用语句特征生成用以更新网络特征图的注意力,来进一步融合视觉特征和语句特征。在公开数据集上的实验结果表明,我们的方法提升了视频中事件检索的准确率。（4）面向视频监控的事件理解原型系统的设计与实现。为了验证本文算法的有效性,我们设计并实现了面向视频监控的事件理解原型系统,并使用该系统在实际场景下对提出的上述算法进行了多角度的验证和分析,验证了本文的方法能实时提取视频特征、检测特定事件、检索自然语言描述的事件。该系统可在智慧安防、智慧城市和智能侦查等众多领域推广应用。