随着公共安全意识的逐渐提高,视频监控技术得到了广泛应用,其中以人群为目标的监控视频异常检测一直是研究的难点。机器学习方法逐渐被应用到监控视频的异常检测系统中,提高了系统的检测水平。监控视频场景异常检测作为一种公共安全和社会秩序管理技术,逐渐成为国内外研究的热点。本文通过分析现有监控视频中场景异常检测存在的问题,从基于视频特征信息分析和基于人群模型两个角度进行研究,并在此基础上初步探索了基于云平台的分布式视频场景异常检测框架。论文的主要工作如下:首先,采用基于群体特征的异常检测方法,直接对特征信息进行分析。为了提高异常检测的精确率,减少检测时间,提出了一种基于改进遗传算法的特征选择和SVM训练模型联合优化算法。该方法提取视频的特征数据,对特征数据降维,再运用SVM算法建立分类学习模型。特征选择和训练模型这两个过程互相依赖,采用SA改进GA算法,并使GA中的交叉遗传操作自适应化,同时对特征选择和SVM模型对参数进行优化。实验表明,该方法可以快速找到最优特征子集和SVM训练参数,提高了视频异常检测的精确度,同时缩短了分类检测的时间。其次,为了精确模拟人群的运动状态,研究了基于物理模型的人群异常检测方法,提出了基于粒子群优化的社会力模型描述人群信息。该方法提取群体光流运动特征,用光流表示SFM中行人的速度,再利用PSO改进传统SFM对中高密度人群的建模,将社会力矢量处理后进行SVM分类预测,检测视频中异常行为。通过粒子平流方法,使得粒子向相互作用力较小的区域移动,粒子的位置尽可能落在前景区域,模拟人群行为。实验表明,该方法能够有效地提高视频场景异常检测的查全率和查准率。最后,为了处理实际应用中海量监控视频数据的异常检测问题,探索了基于Hadoop平台的监控视频异常检测并行化框架。主要实现对视频数据Map/Reduce键值对数据类型、数据I/O类型和基于Mapreduce的SVM分类算法的设计。利用Hadoop平台的HDFS存储机制和Mapreduce编程模型对监控视频异常检测系统作了进一步的研究。实验表明,与单机节点比较,基于Hadoop集群的视频异常检测方法保证了精确度的同时,大幅度高降低了视频数据的检测时间。