针对监控视频异常的复杂多样性和短时持续性，引入弱监督视频异常检测方法，旨在仅使用视频级别的标签进行异常检测，并提出了基于变分自编码器（VAE）与长短期记忆（LSTM）网络的异常回归网络VLARNet作为异常检测框架，以捕获时序数据中的时间依赖关系、去除冗余信息，保留数据的关键信息。该框架将异常检测视为回归问题，为学习检测特征，设计了异常分数回归的三元中心损失（TCLASR），与动态多实例学习损失（DMIL）相结合以进一步提高特征的区分能力。DMIL能够扩大异常实例与正常实例之间的类间距离，但同时也扩大了类内距离，而TCLASR可使来自同类的实例与类中心的距离更接近，与不同类中心的距离更远。对VLARNet在ShanghaiTech与CUHK Avenue数据集上进行了综合实验。实验结果表明，VLARNet能够有效利用视频数据的各种信息，在两个数据集上获得的受试者工作特征曲线下面积（AUC）分别为94.64%和93.00%，明显优于对比算法。
目前在H.264/AVC压缩域分割领域中常用方法造成局部运动矢量(MV)缺失，而通过全局运动补偿来还原运动矢量导致其时间复杂度提高。为解决此问题，提出一种基于边界聚类的快速凸壳分割(BS-CHSTF)算法。该方法主要利用码流中的运动矢量场信息进行分割，首先,对MV利用时空域滤波(STF)对运动矢量进行预处理，采用八方向自适应搜索算法进行边界搜索确定运动连通域；然后根据每个连通域边界求解凸壳并对其进行连通域填充，之后利用运动矢量与距离信息设定聚类规则，对多个连通域进行聚类；最后，对其进行优化掩膜达到分割运动对象的效果。实验结果表明，与混合高斯模型(GMM)分割算法和压缩域蚁群算法(ACA)比较，在分割准确率上平均提高了近3%，甚至在运动矢量场严重缺失的情况下，提高了近20%；而在分割速度上平均提高了近25%。该方法着重于求得运动对象的完整性与快速性，在运动对象不完整的情况下，能够获得较好分割精准度。
