随着人工智能的迅速发展,监控智能化已成为一种发展趋势。人作为社会活动的主要对象,对监控中的人实现智能化的检测和识别具有重要的意义。目前监控视频主要是在事件发生后依靠人工分析和提取有用信息,人工成本高而且不能及时的预警和报警。本文的研究为监控视频中的人体检测和行为识别,主要是利用背景建模的方法实现人体检测,利用密集轨迹方法实现行为识别。本文所做的主要研究工作如下:1、人体检测时“鬼影”的抑制:为了解决背景建模方法由于背景模型中包含目标像素导致在检测中产生“鬼影”的问题,本文提出一种通用的双通道背景建模算法（Two Channel Background Modeling,TCBM）实现背景建模。通道一利用二帧差分法预检测,然后利用网状拓扑结构思想估计人体的外接矩形,接着将矩形外的像素加入背景模型中;通道二利用多帧平均法采集通道一无法采集的背景像素。通过TCBM算法可剔除背景模型中的人体像素,建立有效的背景模型。本文利用TCBM改进了Codebook和Vi Be（Visual Background extractor）算法,改进后算法的背景模型中没有包含人体像素,在检测结果中没有产生“鬼影”,各项指标（准确率、召回率、虚警率和漏检率）均优于改进前的算法。2、行为识别时降低特征描述符的体积:由于改进的密集轨迹算法（improved Dense Trajectories,iDT）实现行为识别需要密集采样特征点提取大量的特征描述符,这会导致占用大量硬件存储资源。针对这个问题,本文提出利用轨迹删减、特征描述符聚类和提取显著特征降低特征描述符的数量。轨迹删减是将轨迹中的无效轨迹删除。然后沿着轨迹删减后剩余的轨迹提取特征描述符,接着对每个动作的特征描述符聚类,使用聚类中心表示动作。最后在训练集提取显著特征,利用显著特征训练码本,然后使用码本编码特征描述符。通过在KTH和UCFSports数据库的测试,特征描述符体积在两个数据库均下降了80%左右,并且行为识别准确率得到了提升。通过实验表明,在人体检测过程中改进后的算法抑制了“鬼影”造成的误检测,在行为识别过程中改进后的算法降低了特征描述符的数量,提高了行为识别的准确率。最后通过与其它先进算法的对比,本文算法有显著的效果。