多视场景异常目标描述是在多视场景中对发生异常的目标进行描述,是计算机视觉领域内一个具有挑战性的课题。研究多视场景异常目标描述具有重要的学术价值和广阔的应用前景,对于人类活动的探索研究以及国防安全、公共安全都有重要的意义。多视场景异常目标描述的难点是：传统算法对复杂场景中运动目标检测的准确率不高；异常目标的行为具有很大的随机性；多视场景对异常目标描述具有较大的影响；对目标长时间的跟踪与描述困难。针对上述问题,本文展开多视场景异常目标描述的研究,本文主要工作和创新点总结如下：1).针对传统的运动目标检测方法准确率较低的问题,提出一种基于条件随机场模型的运动目标检测方法,该方法通过提取视频序列的运动特征和颜色特征,然后利用条件随机场模型对特征向量建模,实现对运动目标的检测。实验表明,该方法的误差率为14.38%,比传统的帧间差分法误差率81.34%、光流法误差率33.59%、混合高斯模型法误差率19.73%要低,时间复杂度低于光流法和混合高斯模型,接近帧间差分法。2).为了利用异常目标的多类特征,提出一种MCRF模型的异常目标描述方法,提取目标的多类特征,利用基本CRF模型对每类特征建模,形成多个CRF单元,组合所有的CRF单元得到MCRF模型,通过模型训练获取MCRF模型的参数,最终,通过模型的推断描述异常目标。实验结果表明该方法能较准确描述目标的某些特定的异常。3).针对传统场景描述方法描述准确率低的问题,提出一种基于隐含语义模型的场景描述方法,通过提取场景的多类特征,用K-means算法进行聚类,形成视觉单词,再利用pLSA模型将视觉单词划分为具有语义的主题分布,最后采用CRF模型对语义主题分布进行建模来描述场景。实验表明,该方法的描述准确率可以达到91.4%,优于SVM、Bayes模型。4).由于传统的异常目标描述方法并未考虑场景的影响,提出一种基于团块与轨迹特征的异常目标描述方法。通过场景描述形成团块,提取运动目标的轨迹特征,并组合团块和运动目标的轨迹特征,形成组合特征向量,利用HMM模型对组合特征向量建模,描述异常目标,实验表明该方法能将场景的语义状态融合到目标的运动轨迹中,实现了场景和目标的结合,对于描述某些特定场景的异常目标具有较大的意义。5).针对单视场景不能长时跟踪和描述目标的问题,提出一种多视场景异常目标描述方法。利用场景描述方法对多视场景依照设定的顺序进行语义描述,提取运动目标在多视场景中的轨迹特征,组合多视场景的语义描述与轨迹特征,形成组合特征向量,再利用HMM对异常目标进行描述。实验表明多视场景的异常目标描述方法,可以较准确的描述特定多视场景中的异常目标。