Dans les villes intelligentes modernes, on cherche à atteindre le plus haut niveau d’intégration et d’automatisation des services. Dans le domaine de la surveillance, l’un des principaux défis consiste à automatiser l’analyse vidéo en temps réel afin d’identifier les situations critiques. Ce papier présente des modèles intelligents basés sur des réseaux de neurones convolutifs (dans lesquels les architectures MobileNet, InceptionV3 et VGG16 ont été utilisées), des réseaux LSTM et des réseaux feedforward pour la classification vidéo selon les catégories « Violence » et « Non-Violence », en s’appuyant sur la base de données RLVS. Différentes représentations des données ont été exploitées selon les techniques de fusion temporelle. Le meilleur résultat obtenu atteint une précision de 0,91 et un score F1 de 0,90, des performances supérieures à celles rapportées dans des recherches similaires portant sur la même base de données.