如今，视频监控系统在机场和火车站安检，城市治安维护及交通管控，国防安全等方面发挥着无可替代的作用。但是传统的以人作为视频分析主体的监控系统不再有能力去处理极速增加的海量视频数据，更加不能保证监控系统的高效性和可靠性。如何提高视频监控系统的智能性，高效性及准确性将是急需要解决的问题。本文在前人已有的研究基础上，从计算机视觉技术出发，以视频异常事件检测为主要任务，研究了如何提高视频异常事件检测的智能性，高效性和精确性。具体研究工作如下：在研究了视频异常事件检测涉及的特征提取、主题特征提取及特征分析和识别技术之后。针对传统的视频异常事件检测面临的两个问题：基于统计方法的视频异常事件检测产生概率拖尾而导致的低检测率问题以及传统视频异常事件检测方法将特征提取和特征分析分开处理带来的检测方法对场景适应能力不强的问题。本文提出了一种基于环路LDA-HMM模型的视频异常事件检测方法，将LDA模型和iHMM模型依据DDP-HMM模型结构思想同时模拟反馈网络工作机理构建成了一个环路模型，整个结构上不仅可以看成是上下两部分的环路结构模型，而且垂直方向看可以视为反馈网络，接着使用环路树重加权算法思想完成环路模型的推理过程，然后根据此模型进行视频异常事件的检测。设计了基于环路模型的视频异常事件检测方法的检测流程以及检测系统的GUI，为了验证该检测方法的检测性能，选取了四个实验场景进行了实验，并对实验结果进行了分析，以此来验证该检测方法对多个场景也是有效的；然后与其他视频异常检测方法在检测性能上进行了对比分析，用来验证该检测方法具有相对较高的检测率。传统的视频异常事件检测方法中常常存在着检测率不高和场景适应性不强的问题，本文提出的环路LDA-HMM模型由于能够实现空间主题特征和时间状态演变之间的相互反馈影响，使得环路模型能够根据不同场景数据实现自身学习模式的调整，将模型与场景的拟合度调整到最好，因此不仅有效的解决模型场景适应性不强的问题，而且也能够有效的提升检测率。多场景下的仿真实验验证了该检测方法不仅对多个场景有效，而且具有相对较高的检测效率。