监控视频中异常事件检测旨在识别真实监控视频中出现的各种异常事件,并及时做出相应的处理,进而更好地维护社会公共安全。近年来,基于深度学习的监控视频中异常事件检测算法在提升模型检测性能上取得了较好的进展,但仍然存在监控视频中的时空冗余信息影响异常事件检测精度、正常事件和异常事件判别界限不清晰等问题。因此,监控视频中异常事件检测仍然是一项具有挑战性的课题。鉴于此,本文提出了基于记忆引导注意力的无监督异常事件检测算法来解决时空冗余信息影响异常事件检测精度的问题;并提出了基于无监督域自适应的异常事件检测算法来解决正常事件和异常事件判别界限不清晰的问题。最后以电梯轿厢为应用场景,设计了基于计算机视觉的电梯轿厢内异常事件检测系统,用以实现监控视频中异常事件检测算法的工程化应用。本文的主要研究成果为:（1）提出一种基于记忆引导注意力的无监督异常事件检测算法。监控视频中存在大量的时空冗余信息。在进行监控视频中异常事件检测时,时空冗余信息会影响异常事件检测精度。针对这个问题,该算法引入记忆引导注意力模块,使网络模型在学习时,更关注视频帧中的有价值信息。具体地,首先通过帧差法获得正常事件中的有价值信息,并将其特征信息存储到记忆引导注意力模块的记忆单元中。然后将输入视频序列与存储在记忆单元中的特征信息进行匹配。最后将匹配得到的信息与输入视频序列自身的特征信息融合用于视频帧预测。这样,根据预测误差大小就可以判别是否发生异常事件。此外,提出了一种冗余信息抑制约束,减小时空冗余信息对检测结果的影响。实验表明,引入记忆引导注意力模块和冗余信息抑制约束的算法模型在多个数据集上都表现优异。（2）提出一种基于无监督域自适应的异常事件检测算法。现有的无监督异常事件检测算法仅采用正常事件数据进行训练,缺乏异常事件的先验信息,从而导致正常事件和异常事件判别界限不清晰,容易产生误检。针对这个问题,该算法采用无监督域自适应方法,将源域中能够很好界定正常事件和异常事件的先验知识引入到目标域中。具体地,首先在源域数据集上进行有监督预训练,明确源域正常事件与异常事件的判别界限。然后在目标域采用基于对抗学习的无监督域自适应方法,将源域中的先验知识引入到目标域中,明确目标域正常事件和异常事件的判别界限,进而提升目标域的异常事件检测性能。并且通过对抗学习,可以对齐源域和目标域的数据分布,减小域偏移,提升算法模型的场景适用性。实验表明,该方法能够有效提升异常事件检测性能,并且使算法模型具有更好的场景适用性。（3）监控视频中异常事件检测算法的工程化应用。在视频监控领域,人工目视异常事件检测方法需要耗费巨大的人力,而且容易受视觉疲劳的影响。针对这个问题,本文以电梯轿厢作为应用场景,设计了基于计算机视觉的电梯轿厢内异常事件检测系统。针对电梯轿厢内的危险物品检测和火灾检测,分别构建了相应的数据集,并根据其不同的特性,分别采用相应的异常事件检测算法进行检测。通过将以上算法部署在电梯轿厢内异常事件检测系统中,然后利用开发的软件系统,对电梯轿厢内异常事件进行实时检测,并且在系统可视化界面上显示异常事件检测的实时结果,从而实现了监控视频中异常事件检测算法的工程化应用。