随着大数据和人工智能的发展,智能视频监控技术在社会公共安全中发挥着越来越重要的作用。行为检测与识别技术作为智能视频监控系统的重要组成部分,是计算机视觉领域中的重要的研究方向,同时也是十分具有挑战性的任务之一。车辆检测技术在智能交通中作为一项基本技术也倍受关注。本文对监控视频中的行为检测与识别、车辆检测两个任务进行了重点研究。行为检测与识别方面,本文设计实现了一种结合运动前景检测的关键姿态识别方法,并在关键姿态识别基础上增加了基于时域信息的行为识别模块,利用视频的时空域信息提高识别效果。关键姿态识别方法在 2018 年 TRECVID ActEV 评测中,Riding、ActivityCarrying 和 Transport_HeavyCarry 行为识别取得了第一名的成绩、Pull事件取得了第四名的成绩,评测结果验证了本文方法的有效性,可以有效提取关键姿态中具有判别性的特征。在 2019 年的TRECVID ActEV-PC评测中,我们将基于时空域信息的行为检测与识别方法用于Pull和Transport Heavy Carry行为,得到了优于2018年关键姿态方法的检测结果。车辆检测方面,本文将Faster R-CNN用于交通监控场景下的车辆检测任务,并且在Faster R-CNN网络上增加了FPN模块来提高车辆检测的准确率,并且同速度更快、模型更轻量的YOLOV3检测器进行了对比。