面对现实生活中不断涌现的各类安全威胁和突发情况,视频监控系统在公共安全、态势检测、交通路况、市政管理等方面发挥着重要作用。然而,当前社会治安形势日趋复杂,干扰公共秩序、威胁公共安全的异常事件时有发生,同时快速增长的视频监控设备产生的海量视频数据也给监控系统带来了巨大压力,传统的异常事件检测算法以及视频监控系统已经难以满足现实需求,发展基于计算机视觉方法的智能异常事件检测技术,构建基于新兴软件架构的高可靠、高性能视频事件检测系统,对于降低人力物力成本、维系社会公共安全具有重要意义和作用。视频作为一种包含多种模态特征的高维时间序列数据,包含了场景中目标行为的时空信息,可以被解析为图像以及随时序产生的光流图像,因此仅依靠视频中的单一模态特征进行事件检测的方法具有很大的局限性。针对传统视频异常事件检测算法准确率低、鲁棒性差等问题,本文提出了一种基于双流残差网络的视频异常事件检测算法,该算法通过深层残差网络分别提取监控视频中的图像特征和光流特征,通过单帧图像表达场景中目标的空间信息,通过多帧光流图像表达目标的运动信息和时序行为,然后在网络的中间层采用卷积融合方法将高维时空特征进行融合,充分挖掘视频中的时空关联关系,并得到最终检测结果。在公开的UCF-Crime和XD-Violence数据集上训练和验证的实验结果表明,本文提出的基于双流残差网络的视频异常事件检测算法与仅使用单模态数据的方法以及传统双流网络相比,具有明显的优势。针对传统视频异常事件检测系统架构简单、可扩展性和灵活性较差等问题,本文设计实现了一种基于微服务架构的视频异常事件检测系统,首先详细分析了系统业务需求和用户使用场景,明确了系统功能及微服务架构需求;接着探讨了系统业务流程和系统边界,合理划分系统服务和功能模块;最后详细阐述了系统设计与实现过程,并介绍了各微服务组件在系统中的使用情况。最后,本文对设计实现的视频事件检测系统进行了充分的功能测试和性能测试,测试结果证实了事件检测系统能够按需伸缩和灵活扩展,能够采集并管理各类监控设备的监控数据,支持异常事件检测算法的灵活接入,具备即时异常告警能力,满足智能监控功能与性能需求。