运动目标检测和跟踪融合了计算机视觉和模式识别技术，是智能视频监控系统（Intelligient Video Surveillance，IVS）中最基础、最核心、应用最广泛的两个命题。从视觉技术诞生之日起，目标检测和跟踪就得到了高度重视，并且积累了大量研究成果，但是，运动目标的检测和跟踪依旧是视觉研究中极富挑战性的问题，有许多理论和实际的技术难点需要解决。实践表明，仅仅从图像底层分析进行目标检测，任何一种技术都达不到准确分割，另外，动态场景（天气变化、光照变化、树木、湖水、旗帜干扰、影子、遮挡、摄像机运动）等给运动目标有效准确地分割带来了极大困难。在还没有图像分析反馈机制理论指导的情况下，建立自适应性的背景模型，是个更好的选择。本文以“智能视频监控中运动目标的检测算法研究”为题，通过引入先验知识，增加反馈机制等，研究了序列图像中复杂背景下的目标检测和跟踪方法。研究的算法主要包括动态背景建模、运动阴影消除，基于检测的目标跟踪算法、单目序列图像目标的空间定位算法等。本文主要工作如下：1.收集背景信息是运动目标检测的基础，无论是采用水平集分割，还是光流检测，建立鲁棒的背景是检测和跟踪的第一步。对复杂背景，可以建立多态分布模型，传统方法是建立混合高斯背景模型（Gaussian Mixture Model，GMM），但是在进行模型参数估计数据训练的过程中，我们发现由于拍摄时的抖动原因，以及负样本的出现，导致像素灰度值的分布更多地呈现出窄带厚尾形态。因此，本文引入混合学生t分布模型，研究了自适应混合t分布的背景建模方法（Adaptive Student’s t mixture model，ASMM）。与高斯分布模型相比，t分布多了一个与样本数量有关的自由度，因此提高了异常点的容纳性。实验结果表明，目标检测的错误率下降到了1%以下，从而提高了目标识别率。2.混合概率密度模型通常采用EM算法进行参数估计，为了适应t分布模型特点，本文提出采用周期性ECM2（Expectation Conditional Maximum）方法进行参数估计，通过将参数空间分割为两部分，从而增长算法迭代步长。由于EM算法容易限于局部最优，为了避免模型对初始点敏感的缺点，本文引入了初始点先验步骤，即在训练集里选择出现频率高的灰度值作为初始聚类中心，并自适应调节聚类分量数目。在参数更新的过程中，引入成分消灭法和三角不等式判别法，避免冗余计算，加快了运算速度。实验结果表明，由于引入了步长加速算法，初始点先验步骤以及去冗余算法，ASMM的运算效率优于传统GMM方法。3.运动目标检测是计算机视觉信息提取的一个关键步骤，但是由于受到光照影响，在检测到的运动目标中往往包含有阴影，如果不分割出运动阴影，会导致运动目标检测失败。本文研究了阴影检测理论背景，以及基于阴影物理属性的各种阴影检测方法，研究了光照无关图理论，最后本文提出了一种连续阈值阴影检测法。该检测法将阴影物理属性和光照无关图理论结合起来，首先在光照无关图中分离出粗糙运动目标（T1），然后由背景减除法在原图中得到含有阴影的运动目标（T2），根据阴影物理属性，阴影和目标之间存在分界线，因此进行第三次分割（T3），将含有阴影的运动区域分成两部分，最后我们将T1步骤得到的目标与T3步骤得到的两个分类进行直方图匹配，从而检测出阴影，得到较完整的目标区域。实验结果表明，本章提出的方法与现有方法比较，无论是在阴影检测率还是目标识别率方面都得到了提高，目标识别率超过了85%。4.运动目标检测和跟踪总是密切相关，跟踪方法通常有基于检测的跟踪，以及基于特征的跟踪。本文在背景减除法分割出准确运动目标的基础上，研究了基于检测的跟踪方法，采取颜色直方图匹配法进行了目标识别实验，实验表明，在视频监测系统中，该跟踪方法速度快，效率高。5.在单目视频上进行目标空间定位，恢复出目标的三维空间运动轨迹，是个难题，本文将地面约束引入到单目视觉监控中，提出了一种单目序列图像运动目标跟踪方法。该方法利用摄像机安装信息和几何成像原理，结合非线性补偿，推导出单目不对称非线性成像的地面运动目标实际位置计算公式，也就是建立了场景的视觉模型。通过提取目标不变角点，实现了运动目标的空间定位和运动轨迹描述。实验结果表明，本文建立的视觉模型能够对目标进行定位，计算值相对实际测量值的误差在5%以内，定位结果足够进行运动目标的跟踪。总之，本文的创新性主要体现在三个方面：（1）引入ASMM模型进行动态背景建模以提高目标识别率，并采用多种方法提高算法效率。（2）在背景建模的基础上，本文基于阴影物理属性和光照无关图，提出了一种连续阈值阴影消除方法。（3）在准确检测到运动目标的基础上，本文引入地面约束，提出了一种单目序列图像运动目标跟踪定位方法。