随着智能视频监控系统的高速发展，近年来，人们对视频监控系统的智能性要求日益提高。多摄像头网络能够监控更广阔的区域，正在逐渐被重视。但是，由于经济、资源等方面的考虑，不太可能布置大量的摄像头覆盖所有监视区域。因此，无重叠视域多摄像机情况下的目标跟踪就成了广域视频监控研究的主要内容之一。无重叠视域中多摄像机间的目标匹配作为跟踪的重要前提和必须的步骤，也成为广域视频监控研究中的重要研究内容之一。本文针对无重叠视域多摄像头环境中不规则背景扰动的目标检测问题和多摄像头间的目标匹配问题进行了深入研究，取得了如下成果：1.针对不规则扰动场景中运动目标误检率较高的问题，以扭曲背景差分模型为基础，提出了一种自适应的扭曲背景差分方法，采用巴氏距离来替代原文中欧式距离来计算彩色像素之间的相似性，更能准确描述像素之间的相似性。将背景分成动态块和静态块，利用主要颜色来表示像素块从而进行像素块与像素块之间的相似性判定，对于动态扰动比较大的时候，自适应的采用块间扭曲差分运算或者像素层的扭曲差分。本文在背景不规则扰动严重的环境下对森林中的鸟类目标进行检测，与常用的运动目标检测方法在查全率、查准率等方面比较。实验结果表明，本文方法对于不规则背景扰动情况下的目标检测，具有很好的检测效果。2.为了尽可能在单摄像头视域内提取目标的鲁棒性特征，实现对检测到的运动目标的持续标记，提出了基于HOG和颜色双重特征的粒子滤波跟踪算法，该算法通过计算HOG和颜色特征的有效粒子数，进行平均加权的融合策略来融合HOG和颜色特征，并将融合后的特征通过粒子滤波跟踪框架，完成对运动目标的跟踪，提高了跟踪算法的稳定性和精确性，解决了单一颜色特征的粒子滤波跟踪方法容易出现跟踪丢失和偏移等不稳定的问题。3.针对传统目标表现模型对运动目标描述不够准确的问题，提出了一种基于区域SIFT描述子的运动目标表现模型。当摄像头中运动目标进入摄像头监控区域时，利用前景检测与粒子滤波跟踪，持续获得区域SIFT特征描述子，将提取到的目标SIFT特征建立表现模型，将区域SIFT描述子与运动目标对应起来。本文将得到的区域SIFT描述子表现模型与主要颜色谱、颜色直方图表现模型进行鲁棒性、准确度与置信度、实时性的综合比较，经过实验证明，基于区域SIFT特征的表现模型可以有效的表示运动目标。为无重叠视域多摄像头中的目标匹配建立良好的基础。4.针对无重叠视域不同摄像头间运动目标外观发生重大变化，使得目标在无重叠视域多摄像头间难以获得准确匹配的问题，本文提出了一种基于LDA主题模型与运动目标的区域SIFT特征建立表现模型的目标匹配方法。该方法将目标区域中所有SIFT特征建立表现模型，通过对比无重叠视域环境下的两个摄像头获得的运动目标区域的表现模型之间的相似性作为目标之间的相似性依据，降低了光照变化所带来的匹配误差，同时也降低了旋转、尺度缩放所带来的外观变化所带来的匹配误差。经过实验证明，利用LDA模型可以有效实现无重叠视域多摄像头情况下的目标的匹配。