运动目标检测是图像处理中一项最基本的课题。在智能视频监控领域,运动目标检测作为检测流程中的关键性算法,占有非常高的地位。因为其运行结果对后续检测分析步骤影响很大,因此人们对运动目标检测算法的检测精度与运行效率都提出了颇高的要求。传统的运动目标检测算法,有着各方面的优劣特性。一般来说,检测效果好,能够更好的适应复杂多变的场景的算法,有较大的实用价值。但是运行时间长,运行效率低,一般达不到实时性要求。人们希望对一些检测结果优良的复杂算法进行改进,加快运行速度。近些年来,随着显卡硬件的高速发展以及性价比的提升,使用显卡进行通用计算加速,越来越受到人们的关注。GPU通用计算属于高性能并行计算的下属分支,是一种高度强调并行化的计算理念,能够很好的应对重复大数据量运算处理的需求。优化得当,计算加速比能够是CPU的百倍乃至更高。图像处理类的算法,因为大量涉及矩阵运算等操作,一般很容易进行并行化加速处理,而且能够获得很好的性能提升。CUDA技术是NVIDIA公司推出的一种GPU通用计算编程模型。本文后面就着重讲述使用CUDA对两种复杂度较高的经典运动检测算法——GMM算法和HOG算法,进行并行优化和加速。GMM和HOG是两个时间复杂度较高,检测结果较好的经典运动目标检测算法,有着很高的实用价值。GMM算法现已经在楼宇监控,路况分析等领域有所应用,但是HOG因其步骤复杂,实现困难,仍未能得到广泛应用。本文就将两种算法进行CUDA并行化,最终达到将算法的运行效率提升到满足实时性要求的目标。最后通过数据分析和比对,得出相关结论。