监控视频中的异常事件检测是一种在研究和工业应用中的重要任务,近年来备受关注。已有的方法通常通过提取局部特征来解决此问题,然后在训练视频样本中学习异常检测模型。然而,大多数以前的方法只采用手工制作的视觉特征,这些特征在视频信息表示方面是有限的。在本文中,提出了一种基于稀疏编码的多特征视频异常事件检测方法,可以生成有效的视频特征信息,并能够有效地检测异常事件的活动模式。本方法主要由四部分组成,包括字典学习,深度三维卷积网络,构建多级相似性树和三重损失。首先,利用了手工制作的视觉特征,如3D梯度特征,作为稀疏编码的输入,来指导无监督的特征学习。然后,将稀疏编码得到的结果构建多级相似性树,而且得到的多级相似性树将作为深度三维卷积网络训练的输入量。其次,需要根据多级相似性树,构造多级相似结构的三重损失,用来作为训练深度三维卷积网络的监督信号。而深度三维卷积网络可以生成时间维度和空间维度上的特征,简称为时空特征。时空特征可以很好的表示视频中丰富的信息。新生成的时空特征可以再次进行稀疏编码。通过稀疏编码和无监督特征学习之间的迭代更新,可以获得稳健的和丰富的时空特征表示。最后,利用稀疏重建误差来预测每个测试样本的异常得分,判定视频中的异常事件。本文在具有挑战性的视频异常数据集上验证了本方法的有效性,如Avenue、UCSD、Subway数据集,并与先进的异常检测方法进行对比实验,具有很好的竞争性。最后,本文基于上述提出的视频异常事件检测方法,提出了一个基于稀疏编码的多特征视频异常事件检测系统构建方案,并对给系统整体架构、系统流程以及系统方案的优点进行了具体说明。该系统具有很好的可扩展性,促进了视频中异常事件检测的发展。