视频中的异常事件检测是智能视频监控中一个重要研究方向，近年来逐渐成为深受关注的应用领域。拥挤场景是指一些人口流动性大、稠密度高的公共场所，如地铁、广场等，这些场所易发生群体性事件，如果不能即时处理，会产生严重的影响。因此，针对拥挤场景中的异常检测需要进行深入的研究。在非拥挤场景中通常采用目标检测及跟踪的方法进行异常判断；而在拥挤场景中，很难分离每个目标或事件，因此更多有效的方法选择使用局部特征来表示异常事件，包括时空信息、抽取运动特征以及建立光流直方图等。根据检测的区域，拥挤场景中的异常检测又可划分为局部异常检测和全局异常检测。本课题分别研究了拥挤场景中的局部异常检测和全局异常检测的方法。本文研究了一种基于时空MRF框架的局部异常检测方法。选定一段时空域上的视频帧，对每帧图像进行划分，每一个划分代表时空MRF中的一个节点，这些节点就构成了一个时空MRF图模型。节点的特征可以用光流来描述，本文采用金字塔LK光流法计算各节点处的光流场。然而最初的光流并不能很好的表示节点处的运动特征，需要进一步的特征建模。MPPCA方法类似于高斯混合模型，它通过组合多个概率PCA模型可以更好的表示复杂数据。因此，本文使用MPPCA对低层的光流进行建模。MRF的能量最小化求解问题是NP难，但可以通过近似算法进行求解，如置信传播算法。在时空MRF模型中应用置信传播里可以得出各节点的标号，这个标号可以表示节点的状态（正常或异常），把它作为局部异常检测的判断依据。对于全局异常检测，本文研究了一种基于稀疏表示的方法并进行了算法上的改进。视频中每帧的图像可以提取出它的光流直方图特征向量，根据一个已知的特征向量基对特征向量进行稀疏表示，不同帧的特征向量得到的稀疏系数幅值不同。选取视频中正常帧的特征向量进行字典学习，可以得到一个特征向量基，也就是字典。再使用这个字典对测试帧的特征向量进行稀疏表示，异常帧特征向量的稀疏系数幅值变化较大。为了量化异常帧的异常程度，根据求得的稀疏系数构建一个稀疏表示代价函数，作为判断视频中某一帧是否异常的依据。在稀疏表示过程中，可以通过消除字典中的冗余项来实现一种快速近似稀疏表示方法，从而提高稀疏表示过程的速度。本文进一步将快速近似稀疏算法融合到视频异常检测框架中，可以大幅度的提高帧的处理速度，从而保证了基于稀疏表示的全局异常检测的实时性。