本文主要探讨贝叶斯网络(Bayesian Network, BN)以及隐马尔科夫模型(Hidden Markov Model, HMM),在智能视频监控系统(Intelligent Video Surveillance System, IVSS)中出现的事件进行检测、建模、应用、及对其优化,具体指对监控事件的检测、针对特定监控事件的建模方式以及本地化、与网络模型相关的结构优化和参数优化、以及对监控事件检测质量的评价。近年,随着网络技术、集成电路技术、计算机技术、嵌入式技术及计算机视觉(Computer Vision, CV)技术的进一步发展,以及人们对降低监控系统成本、提高系统效率、增加系统智能度的迫切要求下,IVSS已经成为下一代带的视频监控系统,并逐渐引起了国内外的广泛关注。基于CV算法的智能图像处理作为IVSS的重要实现环节更是研究的重中之重。然而,由于很多优秀的CV算法往往需要较大的计算复杂度,而计算复杂度较低的CV算法则往往无法满足所需要的检测精度,导致很多完全基于CV算法所建立起来的IVSS其实用性有待提高。随着对BN概率统计模型研究、隐马尔科夫模型等一系列突破性工作以及对认知过程(Cognitive Process)的发现和挖掘,科学家开始转向CV算法与认知过程融合的研究。普遍认为,认知过程的引入可以提高系统的鲁棒性、提升检测质量、减低模型建模难度、降低系统优化所需要的数据量、以及降低系统的计算复杂度。现有的实验事实也说明了这一点。基于认知过程的这些优点,本文考虑将认知过程引入到IVSS当中,以提供更准确、更快速、更简单的系统模型为目的,构成以前景背景分割、监控事件建模、以及模型优化三大块组成的IVSS。本文的具体研究内容分为以下三个部分:首先,本文探讨基于CV算法的前景背景分割方法。作为IVSS的CV算法部分,前景背景分割方法为认知过程提供前景掩模(Foreground Mask)以及简单的连通区域分割信息。考虑到实际IVSS当中会大量出现摄像头噪点、频繁的背景扰动、以及光照变化等状况,本文提出自适应调整的高斯混合模型(Adaptive Adjusted Gaussian MixtureModel, AAGMM)作为前景背景分割方法,即使用高斯混合模型(Gaussian Mixture Model, GMM)作为基础,加入对纹理(Texture)以及亮度(Intensity)特征的识别,引入训练像素(Training Pixel),从而增强GMM对频繁背景扰动以及快慢光照变化的鲁棒性。同时,为了减轻GMM的计算复杂度,本文提出一种基于最大期望算法(Expectation Maximization, EM)的在线自学习(Online Optimization)方案,进而在保障检测精度的前提下减低CV算法部分所需要的时间。其次,本文分别探讨基于认知过程的两种监控事件建模方法以及他们各自的模型优化方案。从系统精度要求出发,本文首先提出一种基于BN的监控事件的IVSS建模方法,并将其实际运用在非法入侵(Illegal Access, IA)事件以测试其实用性以及检测精度。同时,考虑基于BN的建模方法其优化过程中搜索空间过大的问题,本文摒弃传统EM算法优化的方法,提出基于遗传算法(Genetic Algorithm, GA)的BN优化方式,并展开讨论针对实际BN模型的优化方法。之后,考虑基于BN的建模方法其系统灵活性较低的问题,本文提出一种基于混合层HMM (Cross Layer HMM, CLHMM)的判决网络建模方法。该方法在分层的HMM (Layered HMM, LHMM)基础上加入了跨层的事件推导关系,达到减少系统冗余、降低优化复杂度、提升系统建模灵活性、减少优化所需数据量、同时保证检测质量的目的。最后,针对IA事件检测,本文对基于BN以及CLHMM的两种建模方法进行实验并从检测精度、误警率、检测耗时、优化耗时、鲁棒性等方面评价他们的检测效果。另外,本文对这两种建模方法进行了系统化的比较。实验证明,基于BN以及CLHMM的两种建模方法都可以达到和基于CV算法的IVSS相当的检测精度,并且能够在实际的IVSS中达到实时处理的效果;从系统复杂度来看,CLHMM相对于BN有明显的优势,因此更适合实际IVSS的应用。