智能视频监控通过对监控区域的视频数据进行处理以获取该区域中物体的运动信息,其中运动物体检测算法、目标跟踪算法与目标识别算法是智能视频监控的核心。视频数据具有的信息量大、时效性短、复杂度高、关联性强等特点,对视频数据处理算法提出了更高的要求,本文的主要研究工作如下:针对帧间差分算法中存在“空洞”问题和背景差分算法抗干扰性能差的问题,本文在单高斯背景建模和码书背景建模的基础上给出了改进算法。并通过测试实验对改进后的单高斯背景模型的运动检测算法和码书背景模型的运动检测算法分析,验证了算法的可行性。场景中光照等噪声的干扰以及目标形变和目标之间相互遮挡等影响增加了运动目标跟踪的难度。本文针对粒子滤波目标跟踪算法中存在的粒子权值退化问题和多样性匮乏问题,给出了一种基于烟花算法的改进方法。利用烟花算法对粒子的分布进行优化,确保大部分的粒子能够处于高似然区域的同时,又具有较好的多样性。通过实验对改进后的粒子滤波算法进行验证,结果表明目标跟踪算法的准确率得到提升。目标识别是将一个特殊目标或一种类型的目标从其它目标或其它类型的目标中区分出来。本文针对多核支持向量机核函数系数难以确定的问题,给出了一种多类单核支持向量机拟合算法,通过调节每一类单核支持向量机的训练样本,提高单核支持向量机对特定目标的识别能力,利用多类单核支持向量机对目标进行识别并对识别结果进行整体决策。由仿真实验可知,支持向量机拟合算法提高了对目标样本的分类能力。