作为公共场所社会活动的主体,行人的安全问题是社会安全管理和智能安防建设的研究重点与热点。铁路综合视频监控系统现已覆盖客运站点的重要区域,为监控中心提供清晰的视频资源,成为实时监控、异常预警和事后查证的重要依据。现行铁路综合视频监控系统的智能化程度较低,内容分析手段主要依靠人工观测。随着视频采集点数量的增多、监控强度的提升,客运站点监控视频的人为解读与决策容易出现纰漏和失误,难以应对潜在的众多突发异常。采用智能手段对监控视频进行自动分析和理解是轨道交通安全运营的迫切需求,也是智能交通的发展方向。鉴于铁路运营安全的需求,本文依托国铁集团科技研发课题“图像识别技术在铁路视频监控中的应用研究”等项目,开展计算机视觉技术在客站监控视频中的应用研究,为铁路综合视频监控系统的智能化提供理论基础和技术储备。先对智能视频监控核心技术进行研究,分析当前检测跟踪方法应用于铁路监控场景存在的问题,在搜索区域设计和目标尺寸估测两个方面进行了新的尝试。再以核心技术获取的目标轨迹为基础,分别探索了行为识别和异常检测两类高层次应用。本文的主要研究内容和创新点如下:（1）针对运动模式复杂未知的目标跟踪任务,从序列贝叶斯估计框架的视角分析跟踪过程,挖掘搜索区域与先验分布、运动模型的关联,进而为设计搜索区域设置策略提供理论基础。根据应用场景的多变性,分别提出了两种基于数据驱动模型的搜索区域设置策略,即随机游走模型和向量自回归模型。提出的策略都具备良好的通用性,能够便利地替换多种跟踪方法中的搜索区域设置,并有效缩减计算时间,提升跟踪精度。根据实验结果,两种模型可在公开数据集上分别将原跟踪器的跟踪精度提升22%和10%。（2）结合客运车站采集点的设置特点,对目标检测任务中的候选区域展开研究。根据透视变换模型,分析监控图像中目标尺寸与分布的关系。提出了基于浅层神经网络的目标尺寸估计方法,根据目标深度预测包围盒尺寸,解决了监控场景中尺寸分布的不平衡问题,快速生成高召回率的候选区域,并有助于解决远景小尺寸目标的检测问题。在多个数据集上的的实验结果表明,该方法在多种交并比重叠阈值和候选区域规模下,取得的召回率完全优于其他先进方法。（3）探索基于语义描述的个体目标行为识别问题,提出了一种基于改进佩特里网的行为事件建模方法。基于有限序列运行机制梳理事件路径,自动生成事件模型的系统网络。利用决策树技术,结合多层次特征消除占用相同路径的冲突事件,可解释性地构建更全面的模型分支,提升目标行为识别性能。在公开数据集上的实验结果表明,该方法形成的多事件模型检测精确率优于其他先进方法,可获得高达99.59%的精确率。（4）研究客运站点的场景特点,探索适应的场景建模和异常检测方法。结合站厅的客流特征,针对场景中存在的映射畸变、复杂功能结构等难点,提出一种消弱映射畸变的聚类方法,分析目标在自组织通道中的行为规律,提出一种基于轨迹分析的场景模型学习方法,建立感兴趣区域中的场景模型,并提出基于场景模型的异常检测方法。在两个数据集上的实验结果表明,该方法能有效反映旅客的行为规律,检测出个体目标的轨迹异常,并在群体异常检测中达到97.8%的准确度。