显著性是计算机视觉范畴的一个经典问题，通过模拟人眼视觉注意机制，主要强调与周边相比细节变化突出的区域，但是在显著性检测过程中没有兼顾运动特征，因此非显著的静止区域可能因灰度变化剧烈而被突出。运动目标检测是计算机视觉领域的研究热点之一，强调的是与全局背景有差异的区域，在检测出真正的运动目标的过程中还有可能检测出干扰物体，比如由摄像机轻微抖动或者树枝摇摆造成的干扰，而这种干扰对比较小的运动目标会产生较强的影响。因此，将显著性检测与运动目标检测结合，可以克服干扰，得到显著的运动目标。目标分类是目标跟踪和目标行为理解重要的一步。由于室外视频监控容易受到光照、天气、遮挡等因素的影响，为保证分类准确性和实时性，需要选择最能区分不同类别的典型特征，提高分类器的分类速度和准确性。本论文所完成的主要工作和提出的创新点如下：(1)首先介绍了当前显著性检测算法的研究现状，然后通过实验结果对比了典型显著性算法的优缺点。通过对FT算法的改进，提出了基于多分辨率的FT算法，综合考虑了局部和整体性，同时也考虑了像素点之间的关联情况。经实验证明该方法可以得到边界清晰且内部均匀的显著物体。(2)分析和对比了目前常见的运动目标检测算法的优缺点，提出了分块快速投影运动目标检测算法，通过对比当前帧与参考帧的水平和垂直灰度投影计算运动矢量，得到视频帧内物体的运动显著图。(3)采用动态优先思想，用动态融合技术将静态显著图和运动显著图结果融合，得到最终运动目标检测结果。(4)介绍了目标分类方法，选取长宽比、离散度、占空比作为分类特征，分类器采用适合小样本学习并且泛化能力较好的SVM，实现了车辆、行人、自行车和其他目标的分类。本文算法利用Matlab仿真，通过对视频数据库http://ftp.pets.rdg.ac.uk/中五组大小为768576的视频进行实验，与二帧差分法、时间平均法和混合高斯模型法相比，本文的基于显著性的运动目标检测方法可以提高运动目标检测的精度。在分类上通过网格寻优和5-折交叉验证的方式找到最优的分类核函数RBF核函数以及最优的参数，最后得到识别率较高的分类结果。