随着人民生活水平的日益提高,出行人数越来越多,公共场所的安全问题也日渐突出。尤其在高铁出行成为人们的首选出行方式后,对火车站候车厅、站台等铁路场景进行全方位实时监控具有重要意义。目前,视频监控系统的应用随处可见,但传统的人工检测存在诸多问题,早已无法满足需求。因此,本文旨在研究一种具有高准确率的实时异常事件检测方法。本文采用基于稀疏组合学习的方法进行铁路场景异常事件检测,这一模型相较之前的基于分类聚类等异常检测模型,具有更好的检测准确率和检测速度。而基于手工特征的稀疏组合模型虽然检测速度快,但是准确率仍有提高空间。为了进一步提高稀疏组合异常检测的准确率,本文结合目前在计算机视觉领域发展迅速的深度学习方法,提出了一种基于深度时空特征的稀疏组合检测方法。该方法通过深度学习提取采集视频的时空特征,可以更有效地提取视频序列中的时序和运动信息。首先,设计了深度三维卷积网络模型,通过带有标签的大的行为数据库对网络进行训练,得到参数最优的网络模型。然后利用已经训练好的网络模型对异常事件数据库进行特征提取,再将提取到的深度时空特征进行稀疏组合学习和检测。在公共异常事件数据库AVENUE和SUBWAY上进行实验比较,表明本文所提出的方法具有较高的检测准确率。最终,本文将该方法应用于铁路场景数据库中,在站台、正线、咽喉区等各种铁路典型场景下进行了测试,获得较好的检测效果。在公共异常事件数据库与铁路数据库上的实验表明,本文将基于深度学习的特征提取与基于稀疏组合学习的异常事件检测模型相结合,充分发挥两者优势。特征提取算法以原始数据作为输入,采用无监督的特征学习过程,解决了有标签数据获取困难的问题,且整个特征提取过程不需要任何人工特征提取步骤,在保证较高的检测速度的条件下,利用数据更为本质的特征进一步提高了检测准确率。