近年来,安防监控系统在城乡的覆盖率迅速增加,如何处理和分析海量的监控视频成为国家公共安全建设亟待解决的问题。异常事件是威胁公共安全的主要因素之一,因此研究异常检测技术具有重要意义。目前许多研究人员基于不同类型的特征,利用深度学习方法来训练异常事件检测模型,推动了异常事件检测技术的发展。然而,已有的工作在单场景或多场景中实体间时空关系建模、从长时视频序列中学习正常特征方面仍有不足,无法满足实际应用需求。本文围绕异常事件检测存在的共性挑战:①视频中长时时空依赖的建模;②适应多种环境的模型学习和构建,开展了一系列关键技术的研究,取得的创新成果主要包括以下几个方面:（1）为了更好地学习视频帧间长时依赖关系,提出了新型的长短期记忆（Long short-term memory,LSTM）单元和门控循环单元（Gated recurrent unit,GRU）。通过移除部分门机制及替换激活函数,构建计算高效及性能高效的深度神经网络,方法能够有效地学习包含丰富表征性特征的长时时空序列数据。（2）通过大量实验,分析和评估本文方法的泛化性能。实验表明,学习持续时间更长的序列有利于增强异常检测的精度,并提高泛化性能。本文的方法可以有效地建模长时序列,并泛化到各种其他环境的异常事件检测任务中。具体地,本文提出了双门LSTM以及单通道GRU单元,分别将遗忘门和重置门的操作从它们的结构中移除。这些门的移除使得新型单元可以更好地保持长时的序列信息,而且,基于这些单元所构建的模型是轻量化、计算高效的,可以较好地在终端设备部署和评估异常事件。除了同时地处理外观及运动异常,本文也可以对正常事件进行了独立的处理。最后,本文在二个广泛使用的异常事件检测数据集上进行验证和评估（CUHK Avenue和UCSD）,实验结果显著优于已有的工作。