近年来,随着计算机技术的蓬勃发展,互联网技术也随之走进了千家万户,人们的日常生活越来越离不开各种智能设备,智能视频监控系统也应运而生。用计算机视觉代替人眼去识别视频中的目标,不仅能大大的提高工作效率,同时还能解决很多人眼解决不了的问题,在这样的前提下,视频中的运动目标检测算法变得越来越重要。一个好的运动目标检测算法,能够实时、准确的将运动目标从视频当中提取出来,不仅应用在人们日常生活的小区、车站等人群密集的地方,同时在交通、军事、医疗方面都有着广泛的应用,而且在将视频中的运动目标提取出来之后,我们还可以对其进行跟踪、行为分析等进一步的操作。因此,迅速又完整的提取出运动目标是视频挖掘分析的基础。本文首先介绍了光流法、帧间差分法和背景差分法这三种传统运动目标检测方法的基本原理,并分析了它们各自的优缺点,还介绍了平均值法、中值法、核密度估计法和单高斯模型这四种背景建模的方法,旨在通过对以上几种运动目标检测过程的分析,对不足之处做出改进,然后结合每种算法的优点,总结出一套适用度更加广泛、目标检测结果更加精准的运动目标检测算法。本文所阐述的算法主要是对帧间差分法做出改进,提出了改进之后的五帧差分法,使得运动目标的检测结果更加精细,同时还解决了边缘不够连续的问题,从而保证了信息的完整性;此外,还针对混合高斯模型中,计算量过于庞大,以及?取值只能固定不变的问题做出了改进,通过将视频图像分块运算,大大降低了匹配算法的运算量,同时还提出了一种新的方案,使?能够根据当前视频流过的帧数自适应取值,能够在视频刚开始之初,就迅速完成背景建模,之后为了更好的抑制噪声,再逐渐减小?的取值。由于帧间差分法对光照变化不敏感,但是对于连续迅速变化的动态背景,其运动目标检测结果就会大打折扣;而混合高斯模型恰恰适用于变换复杂的动态背景,却对光照的强烈变化异常敏感。因此,本算法融合了二者的优点,互相取长补短,将改进后的五帧差分法和改进后的混合高斯模型结合起来,共同完成监控视频中的运动目标检测。