监控视频数据在公共安全、智慧交通、智能家居等领域具有重要的应用价值。面对其爆炸式的增长,如何实现有效信息提取与冗余信息去除是亟待解决的问题。视频浓缩技术试图通过提取监控视频中的管道（即目标运动形成的轨迹）并沿时间轴重新排列,最大化运动目标的信息保留率和最大化背景信息的约减率,以解决上述问题。一个完整的视频浓缩流程,包含前景提取、管道构造、管道重排与管道缝合等关键步骤。然而,上述流程主要存在着四个待解决的难点:（1）管道在线重排难,容易陷入局部最优,很难达到理想的约减效果;（2）运动目标提取难,面临目标尺寸差距大、前背景难以区分等挑战;（3）视频数据标注难,基于深度学习的视频前景提取模型在实际部署时需要对每一个监控场景进行充分的预标注和预训练,才能得到较为理想的运动目标提取结果;（4）管道精确构造难,现有的方法不够平滑,容易出现管道的运动信息损失。针对上述问题,本文围绕视频浓缩主线,通过进行基于动态图着色的在线管道重排、多尺度捕获与边缘增强的监控视频前景提取、无需预标注的监控视频前景语义感知以及面向精确管道获取的跟踪轨迹平滑,实现监控视频的高度约减与信息保留。本文的主要研究成果和创新包含:·为解决管道在线重排难的问题,本文提出一种基于动态图着色的在线管道重排方法。首先,针对管道重排的在线需求,本文提出将管道之间的空间与时间关系建模为一种新型的动态图模型,可随监控视频流的接收进行实时的迭代更新;其次,针对在线管道重排容易陷入局部最优的问题,本文提出一种着色算法对动态图模型进行更新,该算法考虑到新增的管道与已接收管道的约束关系,在为新管道重排的同时对现有管道进行再次调整。基于上述模型以及着色算法,本文设计了一个完整的在线视频浓缩流程。该方法在12个不同监控场景上进行实验验证,在保证高约减率的同时达到98.96%的平均息保有率。·为解决视频前景提取中运动目标尺度差距大、前背景难区分的问题,本文提出一种多尺度捕获与边缘增强的监控视频前景提取方法。此方法基于深度学习,包含三种新型的网络模块。首先,为了更好地利用监控视频所拥有的背景信息,提出一种背景嵌入模块,从背景图中提取特征作为先验信息输入到模型中;其次,为同时捕获监控视频中不同尺寸的目标信息,提出多尺度特征聚合模块,将包含细节信息的网络浅层特征与语义信息的深层特征进行融合;最后,为了让网络模型对前背景的交界区域更具判别力,提出边缘信息增强模块,在模型训练的过程中显式地加入边缘约束。在视频前景提取任务的常用数据集CDNet2014上,该方法在每个测试视频仅采用25帧作训练时,达到0.9552的平均F-Measure,超越多种先进方法。·为解决基于深度学习的视频前景提取方法需要对监控场景进行预标注与预训练的问题,本文提出一种无需预标注的监控视频前景语义感知方法。首先,为了基本实现新视频来临时无需进行预标注和预训练,本文引入更可靠的背景信息,并创新性地设计一种基于二阶注意力的深度网络模块,使得网络模型能够更清晰地挖掘到背景图像中的信息,提升对前景与背景的判别能力,从而令已有模型仍能精确处理新的监控视频;其次,为了让视频前景提取模型感知前景运动目标的语义信息,实现模型精度的进一步提升和信息丰富度的增加,提出一种带有信息交互的前景语义感知网络模型,并提出新数据集Semantic CDNet2014++以支持模型的训练和测试。利用该模型产生的语义信息,可以更灵活地服务视频浓缩等上层应用。该方法在新数据集的测试集上得到了0.8330的平均F-Measure,相比于依赖预标注的视频前景提取方法提升了0.1648。此外,本文从定性和定量的角度展示了语义感知在视频浓缩中的应用。·为解决基于目标跟踪的管道构造不精确的问题,本文提出一种面向精确管道获取的跟踪轨迹平滑方法。首先,提出一种新型的评价指标,通过对相邻若干帧跟踪结果的“抖动”程度进行量化,可以评价目标跟踪器预测结果的平滑度;其次,提出一种基于卡尔曼滤波的抖动减除方法,对跟踪器的预测结果进行修正,结合视频浓缩任务常用的广域监控视频数据的特点,同时获得平滑度与精度的提升,实现更精确的管道构造。在公开数据集上的测试结果表明,本方法能够大幅度去除水平或竖直方向上的抖动,并在跟踪目标为广域监控视频中的平滑运动目标时,进一步提升跟踪精度。综上所述,本文针对监控视频浓缩任务中亟待解决的关键问题进行了深入的探究。具体地,本文面向快速高效的在线管道重排、可靠的视频前景提取和语义感知,以及精确的管道构造等需求提出了新方法,为视频浓缩技术的应用推广和研究扩展奠定了基础。大量的实验分析验证了本文所提出方法的有效性。