事件检测是计算机视觉领域的重要课题,在智能监控、社交网络、人机交互等领域具有广泛应用。目前,如何利用计算机自动完成海量数据中的事件检测,对于研究人员来说仍然是一个十分具有挑战的问题。常见的事件检测方法常常会涉及计算机视觉、图像处理、机器学习、模式识别、数据挖掘等众多领域,呈现出学科融合的显著特点。本文在调研前人所做工作的基础上,主要针对事件检测中的特征提取和模型构建方法展开研究,并通过动作识别和细胞分裂检测两种热点问题验证提取特征和构建模型的可行性。对于动作识别问题,本文实现了基于转移字典对的跨视角识别方法。在提取视频时空显著点特征后,通过稀疏编码的方式将源视角的特征表示用于目标视角。由于同一视频在不同视角中的特征表示不相同,因此通过强迫两个视角中的同一动作拥有相同的表示,可以使学习得到的字典具有可转移的性质。最后使用k近邻算法对经过转移字典对变换后的视觉特征进行建模。对于细胞分裂事件检测问题,本文提出了基于慢特征分析的细胞分裂事件检测方法。本文将传统慢特征分析方法扩展为三种学习策略,通过不同的输入数据学习得到不同的慢特征函数。在细胞分裂识别模块,采用支持向量机与隐状态条件随机场模型分别进行建模和比较,证明了时序模型具有更高效的时序信息表达能力。