复杂交通环境中基于视频图像序列的多目标跟踪与识别技术是智能交通监控系统领域近年来备受关注的热点之一，其涉及的技术知识十分广泛，包括计算机视觉、图像处理与模式识别、人工智能、通信等技术的综合应用。本文以实现智能视频监控系统的一个重要环节——多目标的识别为方向，针对车载监控视频中的人体运动目标的识别及涉及的相关问题进行深入研究。通过分析现有的目标识别技术，针对传统目标识别方法和近年来王守觉院士提出的从人类认识事物角度出发的仿生模式识别法的比较，本文提出基于模糊K-近邻改进的高维仿生人体运动目标识别法和结合仿生模式识别和Adaboost的人体目标识别法，实验结果验证了两种方法的有效性和优越性。首先，本文研究了复杂交通环境下基于视频图像基础处理技术。对视频图像进行预处理，包括图像的去噪和增强处理，采用不同的方法进行实验对比分析，选择中值滤波和直方图均衡化处理法作为本文的图像预处理技术。通过分析复杂交通环境下的各种动态场景变化和多目标提取的难题，采用基于改进的自适应混合高斯模型的背景差减法的运动目标提取法。在运动目标特征提取阶段，详细分析人体运动目标的特征，在运动目标轮廓图像的基础上，融合基于轮廓的边界矩特征、形状特征和梯度特征参数作为人体运动目标的特征值。在人体运动目标识别算法中，根据基于高维空间覆盖的仿生模式识别理论及人体运动目标在特征空间中的分布，设计三角形神经元实现运动目标样本的覆盖。并针对覆盖空间构造方法，提出基于密度选择的三角形神经网络空间覆盖算法。在仿生模式识别算法中，由于覆盖空间的重叠容易引起误判，本文对重叠覆盖空间的目标识别采用模糊K-近邻法进行改进实现人体运动目标的识别。通过仿真实验及对比分析，该方法具有较好的人体目标准确识别率和拒识率，同时减少了人体运动目标的误识。其次，结合高维仿生模式识别和Adaboost算法的优点，提出一种基于仿生模式识别和Adaboost人体运动目标识别算法。通过仿真实验验证了本文提出的识别方法的有效性和可行性。