随着视频监控头的海量增长,智能视频监控系统在社会上有着越来越多的迫切需求,尤其是在智能安防、智能交通管理、智能医疗等领域。其中,视频异常检测是智能视频监控系统的核心技术。在有监督的条件下,视频异常检测会消耗大量的人工成本、物资、时间等进行数据的标注;而无监督的异常检测可以很好地克服这些不足,但宥于没有先验知识作为依照,目前开展的研究相对较少。本文着眼于无监督视频异常检测技术和应用,主要开展了以下两个方面的研究:（1）提出了一种基于岭回归和低秩单类别学习的两阶段的无监督视频异常检测算法。在不需要任何标签信息的情况下,采用一种两阶段的框架来检测视频中的异常事件。在第一阶段中,将视频异常检测作为无监督单类别学习任务的延伸。不同于以往的局部变化检测的无监督算法,算法通过采用基于岭回归的低秩无监督单类别学习（LR-UOCL-RR）,考虑所有视频事件的相似度来充分利用视频的全局信息,并粗略挑选出正常事件。在第二阶段,利用单类别支持向量机对上一阶段估计的正常事件进一步精细挑选,以提高性能。实验结果表明,所提出的方法的效果明显超过了现有无监督方法,甚至优于部分有监督视频异常检测算法的效果。（2）提出了一种高效且鲁棒的基于集成随机投影的无监督视频异常检测方法（E-RR-Net）。目前一种流行的视频异常检测策略是利用自编码器学习异常和正常事件后产生的差别性重建损失来判断异常,但是自编码器中使用的反向传播调整参数过程会大大降低运算效率,难以应用在实际场景中。针对这个问题,在第一阶段中,采用随机投影来避免神经网络的反向传播引起的大量计算,并将优化目标公式转换为具有解析解的最小二乘回归问题。算法根据重建损失分布计算出区分正常和异常事件的自适应阈值,据此粗略挑选出正常事件。随后,将挑选出来的正常事件输入到第二阶段的单类支持向量机中建立一个更加精细的正常事件模型。在第三阶段,为了消除由第一阶段随机参数初始化引起的不稳定性,利用集成学习来组合多个分类器的异常值得分。实验结果表明,所提出的方法与最新的无监督方法性能相当,并且在执行效率上有着显著提升,说明了本文算法的高效率、有效性和鲁棒性。