智能监控系统中的视频异常检测技术旨在自主检测出监控画面中的异常事件,有利于维护社会公共安全,具有较高的学术价值和工业价值,也是当前计算机视觉领域的研究热点之一。影响视频异常检测算法精度的主要因素包含事件的时空特征学习和异常评估两个部分,本文将从这两个方面着手研究,以实现事件的完备描述,增强异常事件的可分辨性,进而提高异常检测精度,主要内容包括:（1）针对基于深度学习的帧重构模型泛化能力过强而无法保证异常事件的较大误差问题,本文提出了基于级联时空特征学习的视频异常检测算法。该算法通过先后执行帧重构和光流预测学习事件的空间特征、时间特征及时空特征间的关联性,以级联放大的思想增强异常事件的光流辨识度。同时提出一种泛化能力评估策略,精准选取用于测试的异常评估模型,优化异常检测性能。（2）针对常规基于深度学习的异常检测模型无优化重点的问题,本文提出了基于增强时空特征学习的视频异常检测算法。该算法基于双编码单解码的结构充分发挥帧重构和帧预测方法的优势学习事件的时空特征。为进一步增强模型的学习能力,设计了一种包含反向擦除和支持向量数据描述的训练策略,引导模型按着更优的方向优化,提升帧的重构质量,并使所有正常帧的重构图像都尽可能相似,扩大异常与正常事件间的差异。（3）针对当前基于帧预测的异常检测模型更关注于正向时间信息,而忽略了从后往前的反向信息的学习偏差问题,本文提出了基于双向时空特征学习的视频异常检测算法。该算法设计了一个由前向预测和后向预测共同组成的双向预测模型,基于特征融合模块实现预测流间特征的动态融合,以此得到双向时空特征,利于提高模型的预测精度。同时提出一个基于金字塔的多尺度异常评估策略,保证复杂场景中尺度多样化的异常对象都能够被有效检测。在三个公共数据集UCSD Pedestrian、CUHK Avenue和Shanghai Tech上的实验结果展现了本文方法相对于当前先进方法的竞争性,大量的消融实验分析也验证了所提方法的准确性、有效性及稳定性。