当前,视频监控的使用正在快速增长,互联网上的监控视频数量也随之不断增加。现在,人们面临的挑战之一是如何高效使用监控视频,快速识别监控的内容,并且将其应用于社会治安与维稳。计算机视觉在图像识别方面已经取得了长足的发展,并且解决了许多问题。但是,在视频分类方面,由于视频内容中背景杂乱、视角变化以及内容遮挡等问题,视频内容识别和分类仍然是一个巨大的挑战,因此研究有效的视频分类算法有着重要的意义。监控视频中的一个重要应用就是暴恐事件的识别,现实生活中的暴力犯罪事件往往能够被监控捕捉下来,如果能够自动的准确识别监控视频中的暴力事件,将有效打击犯罪,并且能够在第一时间察觉犯罪事件,有利于相关人员立即采取相应措施。基于此,论文的主要研究内容为暴恐视频分类技术,论文的主要内容主要包括:(1)构建暴恐视频与暴恐图片数据集。在暴恐视频分类问题上,由于目前并没有公开的暴恐类的视频和图像数据集,因此论文通过爬取YouTube上的暴恐视频和网页图片构建了暴恐视频和暴恐图片数据集,用于相关技术的研究。暴恐视频数据集由五类视频组成,分别为炸弹爆炸视频、人群四散视频、打架斗殴视频、持枪威胁视频以及正常视频。暴恐图片数据集分为两个部分,第一个部分与暴恐视频数据集类别相同,用于多分类实验。第二部分由暴恐图片和非暴恐图片构成,用于图片二分类实验。(2)在视频分类算法上面,论文通过使用ResNet与ConvLSTM相结合的方法,设计了一种视频分类方法HVC-RC(Hybrid Video Classification based on ResNet and ConvLSTM),在暴恐视频数据集上的分类准确率能达到85%以上。(3)针对暴恐视频分类问题可以转化为针对暴恐图片的分类问题,因此论文设计了一种暴恐图片分类方法TPC-AR(Terrorist Picture Classification based on Attention and ResNet),该方法对暴恐图片的分类准确率能达到98%以上。(4)论文设计并搭建了一个暴恐视频及图像分类演示系统,对用户上传的视频或图片能自动对其进行识别分类,给出分类结果。论文提出的两种算法模型在暴恐视频分类和暴恐图片分类实验中均取得了良好的效果,可被用于实际的视频分类应用中。