近年来智能视频监控技术带动了视频监控市场的蓬勃繁荣，在生产生活各方面都取得了非常广泛的重要应用。而作为其关键研究课题之一的视频异常事件检测是指借助计算机视觉技术从大量监控视频中自动检测出与大多数正常事件不相符的少量异常事件，并及时发出报警信号。特别是在拥挤场景下，由于大量研究目标的重叠遮挡，以及不同应用场合定义的异常事件的多样性，视频异常事件检测研究还面临一些挑战。本文研究了视频异常事件检测课题中的关键技术方法，特别是对于事件检测的运动特征表示及其学习模型进行了详细的探讨。具体所做的工作和主要创新点有：（1）总结介绍了三类事件检测运动特征表示方法，包括局部描述子、光流和动态纹理。首先简要介绍了两种常用的光流算法，即Horn-Schunck法和Black-Anandan法，进一步采用多尺度光流直方图归纳出局部区域的运动特征；然后提出一种新的用于事件运动表达的动态纹理，即结构化多尺度运动互相关模式特征。它联合了原始的运动特征及其结构化时空尺度信息，有效表达局部事件中不同分辨率的运动模式。另外采用直方图下采样方法可以大大降低串联多尺度运动特征的维度，进一步主成分分析和白化方法的子空间学习方法得到最后的变换特征。（2）总结介绍了两类运动特征的学习模型，包括基于似然估计方法的高斯混合模型，以及基于误差重构方法的矢量量化模型、稀疏编码模型和局部线性编码模型。首次引入局部线性编码模型用于异常事件特征训练与检测，采用自适应最近邻码本方法可以提高样本重构误差的精度和稳定度。该方法具有计算复杂度小，精度较高的特点。同时模型在线更新模型参数能适应视频流数据的变化。为了比较和测试所提模型的有效性，本文首先分析了模型中主要参数对检测效果和计算耗时的影响，然后在三个不同类型的主流数据集上测试不同运动特征和学习模型的组合方法。在UCSD Ped1数据集和UMN数据集上的量化比较结果表明本文算法优于之前算法。其中本文提出的结构化多尺度运动互相关模式相比多尺度光流直方图能更好地表达事件的运动模式；在运动特征中加入结构化多尺度信息能有效提高异常事件检测率平均大约5%。在Subway Exit数据集上的优良结果也证明了本文方法的有效性和鲁棒性。