随着智慧城市建设步伐的不断加快,视频监控系统以其方便快捷、高效智能的特点在公共安全、交通管理、环境保护等领域发挥着越来越重要的作用。视频监控系统为人们带来便利的同时也带来了海量的视频数据信息冗余,而且在实际的视频监控应用中,人们关注的也仪仅是部分特定的运动目标。为了提高视频数据的检测效率同时适应应用场景的需求变化,论文在现有的研究基础上,研究了视频监控中的感兴趣目标智能检测技术。具体研究工作如下：假设视频中的运动目标皆是人们感兴趣的,利用图割算法进行检测是常用的方法之一但大部分图割优化算法是在前景服从均匀分布的前提下提出的,这将导致边界平滑项恒定,使得目标边缘出现偏移现象。本文立足于修正边界平滑项,提出了一种优化检测方法。这个方法采用前一帧提取的目标边长特征来约束加权梯度,使得该项能够根据前一帧的检测结果自适应地修正后一帧的目标边界平滑参数,从而解决在连续的视频检测中目标边缘偏移的问题,同时改善检测性能。在实际的监控视频中并非所有的运动目标皆是感兴趣的,因此需要根据应用场所需求来检测感兴趣的运动目标。由于马尔科夫随机场(Markov Random Field, MRF)模型不需要考虑光照变化、噪声等因素的影响并且其训练复杂度低,因此论文利用MRF理论训练目标模型,提出基于感兴趣目标模型的检测方法。它通过建立的感兴趣目标模型获取目标的高阶先验信息,并在目标检测时利用伪布尔理论优化能量函数参数,从而提取感兴趣运动目标。该方法以其目标模型稳定及训练复杂度低的特点可以满足实际应用场所对感兴趣运动目标的检测需求。本文分别从感兴趣运动目标的特征和模型入手,研究了两种感兴趣目标的检测方法。在实验中分别针对复杂背景与简单背景,单类运动目标与多类运动目标,有光照变化与无光照变化情况下的视频序列进行了感兴趣目标检测。通过实验仿真及对检测指标的分析,验证了这两种方法能够较好地实现对感兴趣运动目标的检测。