目标识别作为智能视频监控中的一个核心任务面临着许多困难。受到人类视觉系统的选择性注意机制的启发,在进行特征提取时,将关注的重点放在那些引起视觉关注的区域可以有效节约计算资源,提升系统实时性。本文基于视觉显著性原理,对视频监控中的目标识别问题进行研究:首先,在介绍了人类视觉系统中存在的选择性注意机制的基础之上,讨论了它对于目标识别问题的研究意义以及研究中存在的困难;在探讨了视觉选择性注意背后的生物学原理之后,深入研究了视觉显著性的计算模型和应用场景。然后,在介绍了超级像素的概念并比较了常用的超级像素分割方法之后,本文对简单线性迭代聚类(SLIC:Simple Linear Iteration Clustering)超级像素分割方法进行了改进。采用Sigma滤波器对迭代过程中的误分类点进行滤波可以有效解决误差的传播,而使用基于色彩相似度的融合方法可以合理地处理离群像素。实验结果表明该方法能够有效地解决SLIC算法的不足,提升超级像素分割的准确度。接着,针对视觉显著区域的提取问题,本文提出了一种基于超级像素中心-周围对比度的视觉显著区域提取方法。该方法在超级像素的基础上,首先在HSV色彩空间对目标图像进行了量化处理,通过计算每个超级像素的中心-周围对比度得到基于颜色的视觉显著图;然后计算每个超级像素灰度共生矩阵的相关特征值来提取其纹理特征,并通过纹理特征对比度提取出基于纹理的视觉显著图;将这两种视觉显著图进行融合,可以提取目标的视觉显著区域。实验证明,这种方法能够快速有效地提取出目标图像的视觉显著区域。最后,针对视频监控中目标的识别问题,首先对视觉显著区域进行了描述,然后又提取了目标的ORB局部特征,最后运用特征匹配的方法进行目标识别。实验表明本文所采用的方法能够促进目标识别准确率的提升,这对智能视频监控、军事侦察以及工业生产等具有重要意义。但是,要想实现人类视觉系统那样的精准度和高效率,基于计算机视觉的目标识别还有很长的路要走。