在信息社会高速发展的今天,计算机和人工智能发挥着越来越重要的作用。日益密集的摄像头分布使得视频监控系统变得越来越完善与庞大,在维护社会安定方面发挥着不可替代的作用。视频序列的目标跟踪技术与异常情况检测技术是智能视频监控中的重要技术,经过近几年的发展,研究者在这个领域已经提出了许多有效的算法。但是现实场景的复杂性使得我们对智能监控的处理算法的要求越来越高,需要算法能克服各种不同的干扰,拥有更强的鲁棒性。本文在对主流的视频目标跟踪方法的研究和分析深度学习在图像处理领域成功应用的基础上,对基于深度学习的目标跟踪方法进行了深入的研究,提出了一种卷积神经网络与主流目标跟踪框架相结合的目标跟踪方法,并将此方法应用到智能视频监控领域中。提出了异常徘徊检测方法和框架,包括异常徘徊行为的判别方法和可疑目标多摄像头检测和识别方法。本文的主要研究成果如下:(1)提出了基于深度学习的视频目标跟踪算法,该算法框架包括粒子滤波、预训练特征、卷积神经网络、判别性分类器和参数在线更新等部分。这个方法将深度学习模型和主流目标跟踪框架进行了深度的结合,用深度学习模型代替原来跟踪框架中的外观模型,充分利用深度学习模型的特征提取能力。在实际的使用中有比较突出的性能,能适应跟踪过程中遇到的很多干扰以及目标自身变化的情况,如部分遮挡、光照变化、比例变化和目标形变等,有很强的鲁棒性。(2)提出了基于深度学习目标跟踪框架的异常徘徊检测方法,对深度学习方法应用于智能视频监控领域做出了有效的尝试。本文的异常徘徊判别方法,能准确有效地找到视频监控中的可疑目标,并在此基础上利用深度模型的特征提取能力实现了可疑目标多摄像头的检测与识别。