随着图像处理和计算机视觉技术的发展,智能视频监控系统已经广泛应用于交通、智能制造和犯罪监控等各个领域。智能监控中在没有任何先验信息的情况下,如何快速有效地构建视频背景模型、准确检测出运动目标信息是目标识别、运动估计、行为理解等能否成功的关键。本文结合相关理论,对高斯混合模型和光流法等进行了改进,主要工作如下:首先,从算法的基本原理、参数迭代更新、性能精度、算法复杂度等方面对比分析了9种基于像素的背景减除方法,同时从文献计量学的视角对2003-2018年CNKI收录的以“背景建模”和“前景提取”为主题词的2623篇文献进行了可视化分析,为本文的深入研究提供了很好的借鉴。其次,针对传统高斯混合模型的背景初始化和参数学习率更新问题,引入基于像素区域更新方式来初始化背景参数,同时将视频图像序列信息熵的变化值作为自适应更新高斯混合模型参数学习率的反馈量,结合高斯滤波器和数学形态学提出了一种自适应背景建模方法。实验结果表明,对具有动态扰动以及运动目标数量随时间变化差异性较大的监控视频,该方法检测精度高,处理速度快。然后,针对传统EM算法在高斯混合模型应用中需要的存储批量和计算内存较大、参数更新较慢的问题,提出了一种改进的在线EM算法用于迭代更新高斯混合模型的参数,并利用Titterington在线算法证明了在模型协方差矩阵为对角阵的情况下该方法的可行性,同时对高斯分布个数给出了一种自适应调整方法。实验结果表明,与传统方法相比,该方法在背景构建、目标检测性能以及运算速度上都有更好的效果。最后,针对复杂情况下光流法计算量大且单独使用无法获得理想前景的问题,引入高斯滤波器对视频数据进行平滑处理,通过Horn-Schunck光流法计算光流,同时利用改进的遗传算法自适应确定二维OTSU阈值来对光流进行噪声处理,最后结合光流归一化和数学形态学,提出了一种基于归一化自适应光流的运动目标区域检测方法。该方法在去除背景噪声的同时不丢失前景,与传统算法相比,具有计算复杂度低、时间短、性能指标高等优点。