近些年来，随着电子技术的快速发展，数字视频处理逐渐成为计算机视觉领域中的研究热点。运动目标的跟踪与识别技术是视频处理中重要的研究课题，也是众多视觉应用的基础技术。它首先从监控视频中检测出运动目标，然后根据相应的算法对其进行实时跟踪，最后再对目标的种类和行为做出识别判断。运动目标跟踪与识别系统的性能好坏直接决定了后续应用的准确性和可靠性。本文的主要工作内容是研究基于视频监控的运动目标跟踪与识别算法，它包含三个方面，分别是运动目标的检测、跟踪与分类识别。在目标的检测过程中，本文融合了对称差分和混合高斯背景模型算法，实现了目标的准确检测与提取；在跟踪方面，通过对传统Camshift方法的研究，提出了两种改进算法，使跟踪具有更好的鲁棒性和可靠性；在运动目标的识别中，本文采用的是支持向量机原理，通过提取目标的特征向量，对视频中运动的行人和车辆进行分类识别。运动目标的检测研究：首先，对检测的基本流程进行了系统的介绍，它包括图像的预处理、检测运算、差分图像的二值化处理以及数学形态学处理。其次，研究了帧间差分法、背景消除法、光流法等经典检测方法，并在此基础上提出了一种融合对称差分和混合高斯模型的算法，通过对三帧差法和混合高斯模型得到的二值图像进行相或运算，实现目标的准确检测与提取。运动目标的跟踪研究：讨论了Mean-shift(均值偏移)的基本原理以及Camshift目标跟踪算法。由于传统的Camshift仅提取目标的颜色特征，对光照及周围环境因素比较敏感，因此当目标运动的太快或者目标与背景的色度分量相近时，容易发生目标丢失、跟踪失败的现象。针对以上这两个问题，本文分别提出了基于Kalman滤波的Camshift跟踪算法和基于SURF的Camshift跟踪算法进行改进：当目标运动速度快时，在Camshift跟踪的基础上加入Kalman滤波，对目标的质心位置进行预测估计；当目标颜色与背景颜色相近时，我们引入SURF算法对前后两帧的运动目标进行特征点匹配，重新确定目标位置，从而实现准确持续的跟踪。通过对传统算法和改进算法进行对比实验可知，改进的Camshift算法可以在传统算法跟踪失败的情况下准确跟踪目标，提高了整个跟踪系统的鲁棒性和有效性。运动目标的识别研究：讨论了支持向量机(SVM)的基本原理、特点以及基于SVM的分类识别方法。本文通过提取运动目标的四维形状特征向量，利用支持向量机分类器对对视频中的行人和车辆进行分类识别。通过实验可知，人、车两类样本的分类准确率达到95%，实验结果表明支持向量机是一种有效的分类识别方法，它在众多的训练样本中找到类与类之间的支持向量，确定最优超平面，最终将两类样本分离开。