近年来,随着人民生活水平和国民素质的提高,以及数字信息技术突飞猛进的发展,社会各界对保障公共安全领域的科学技术也越来越重视。目前,为了维护公共环境的安全,在街道、学校、社区、地铁等公共场所安装的视频监控设备逐年增加。传统的视频监控系统逐渐无法对日益增长的海量视频数据进行有效处理,所以,能够自动检测、识别、报警的智能监控系统的发展对维护公共安全和发展人工智能方面都具有广泛而深远的意义。异常事件检测属于智能视频监控系统的范畴,主要的任务是对监控场景中的异常事件进行检测与预警,以降低异常事件对人民及社会的损害。本文针对监控视频中异常事件的检测问题展开讨论和研究,首先介绍了异常事件检测的基本理论,再对异常事件检测的研究现状及方法进行了分析和总结,并提出了两种基于深度学习算法的异常事件检测模型。本文的研究内容和成果如下:1、当发生人群恐慌逃散时,人群会以比正常场景下的运动速度更快的方式四处逃散以躲避危险,基于此特点,提出了一种基于SSIM稀疏自编码网络的异常事件检测模型。该方法通过提取SSIM特征来表征场景的变化程度,并利用稀疏自编码网络对SSIM特征进行稀疏表示,最后通过计算马氏距离来进行异常事件和正常事件的相似度衡量,并以此进行异常事件的检测。实验结果表明,该检测方法能实现较好的检测效果,检测错误率较低。2、与正常事件相比,异常事件在外观特征和运动模式上都有较大差异,针对这一特点,提出了基于外观模型和运动模型的级联深度网络的视频异常检测模型。提取监控视频数据的灰度图和光流图分别作为数据的外观表示和运动表示。利用残差自编码网络对灰度图时空块和光流图时空块进行有效编码,捕捉到正常事件的外观和运动模式上的特征,采用级联网络建立与正常事件匹配的外观模型和运动模型。在异常检测时,首先将与外观模型匹配的数据检测为正常,将与之不匹配的数据初步判定为可疑数据;再将中可疑数据与运动模型匹配的数据检测为正常,反之则判为异常。多个数据集的实验结果表明该异常检测算法能取得较好的检测效果。