基于监控视频处理的交通异常事件检测技术已成为智能交通系统的重要技术之一。与传统的地埋线圈检测器技术进行交通事件检测相比，具有较高的实时性与直观性。但是，基于监控视频的交通异常事件检测技术在某些关键技术环节仍处于发展阶段。特别是在交通监控视频场景下运动目标检测、跟踪以及运动目标行为分析与识别环节还需进一步研究。本文以城市交通道路监控视频图像为研究对象，运用机器学习、模式识别等图像处理知识，对城市交通监控视频中交通异常事件检测过程中的若干关键技术问题进行系统性的研究。首先针对背景模型的建立、提取与更新进行深入探讨，提出了一种基于IPM视角变换的统计直方图背景提取方法，克服了远景图像误统计为背景的现象；采用背景调整的背景更新方法，并进行运动目标的阴影处理，提高了运动目标的检测精度。结合运动目标的颜色和HOG特征，构造了一种多特征联合的尺度空间Mean-Shift多目标跟踪方法，克服了单种特征跟踪效果差以及目标由于所处背景位置的远近导致跟踪效果发生变化的问题；采用Kalman滤波的方法对目标运动状态进行估计预测，解决了目标交汇产生的遮挡问题，提高了多目标跟踪和轨迹提取的鲁棒性和准确性。综合考虑目标运动轨迹的空间特性、方向特性，提出了一种基于混合模式匹配的城市交通异常事件检测方法，对进入检测区域的运动目标的轨迹进行空间和方向的混合模式匹配，进行异常事件检测。通过对城市交通实际场景中变道事件、逆行交通事件的识别，验证了本文方法的有效性。本文的研究成果深化了基于视频图像的交通异常事件检测理论与方法，为交通场景下的目标检测与跟踪，以及交通异常事件检测提供了有效的技术手段，具有重要的理论意义与应用价值。