行为分析是视频理解的重要研究内容之一，它通过分析处理监控场景的图像、视频，获取监控场景的信息或场景中运动目标的信息，并对这些信息进行行为分析和高层次的语义描述，在智能监控、人机交互、运动分析和虚拟现实等方面有着广泛的应用前景和潜在的经济价值。 本文研究单个运动目标的行为分析问题，给出了解决运动目标行为分析问题的基本流程，对运动目标的特征提取、行为表示和行为分析等方面进行了研究，主要内容如下： 1．分析总结已有的行为分析方法，给出了运动目标行为分析的基本流程，即首先通过运动目标检测、跟踪提取目标的图像、运动信息；然后依据某种规则尽可能完整地表示运动目标的行为；最后使用某种分析器分析判断运动目标的行为。 2．在运动目标的特征提取方面，总结已有的工作成果。针对静止背景下运动目标的检测提取，对典型的帧差法和背景差法进行了比较；针对运动目标的跟踪的问题，研究了扩展Kalman滤波器跟踪算法和Mean Shift跟踪算法，并结合这两种算法的优势给出了一种二者结合的跟踪算法，从而提高了跟踪算法的稳健性， 3．在基于自组织映射网络的行为分析方面，研究讨论了现有的基于自组织映射网络的行为分析方法，重点讨论了这类方法的两种处理思路：学习轨迹模式的行为分析和学习流向量模式的行为分析。针对建立目标前后运动相关性的问题，提出了使用预测信息的行为表示方法，从而为更准确地检测目标运动速度、方向突变等异常行为打下了良好的基础。 4．在研究现有的基于贝叶斯网络的行为分析方法的基础上，针对其自适应性弱的问题，提出了一种自适应的贝叶斯网络行为分析方法，该方法使用多个高斯模型表示运动目标的行为模型，在监控过程中，这些行为模型根据所观察到的行为的分布自适应地更新，从而使行为模型能够适应监控场景中运动行为的变化，正确地判断当前行为正常与否。实验证明了该方法在运动目标行为分析中的有效性及自适应性。