智能视觉监控是计算机视觉领域一个新兴的和充满挑战性的研究内容。所谓“智能”是相对传统监控方式而言，系统可以自动对拍摄到的图像序列进行分析，对监视场景中出现的异常目标或现象及时做出反应，并根据当前状态对将要发生的事件进行预测，提醒值守人员注意相关监控画面以提前做好相应准备，将损失降到最小。智能视觉监控系统克服了传统监控方式中需靠人力日夜值守、被动录像事后处理等诸多不足，充分发挥了其实时、主动、全天候、可防范于未然等优势，从而可以协助人甚至代替人来完成监视或控制任务，大大减轻了人的负担，同时也降低了监控成本。因此，智能视觉监控系统在安全防范、交通控制、军事安全、火灾报警、人群控制等诸多领域都有着广泛的应用前景。 当前，智能视觉监控技术虽有了长足发展，但无论在理论上还是在应用上还存在着诸多需要完善的地方，国内外大批学者也对该领域进行了广泛而深入的研究，并取得了大量的成果。本文是在这些成果的基础上，对智能视觉监控中若干关键技术进行了研究。主要工作如下： 首先，在运动目标检测方面，考虑到时间差分法分割目标容易产生“空洞”和光流法实时性较差等因素，本文着重研究了基于自适应背景减除的运动检测方法。通过大量实验，逐一验证了非参数模型、W4模型、单高斯模型和混合高斯模型等自适应背景减除算法，比较分析了它们的优势和不足之处，以期为实际场合的应用提供更多更合适的解决方案。提出了一种改进的混合高斯背景建模算法，实验结果表明该算法增强了背景模型的稳定性，有效提高了背景模型的训练效率，大大减小了光照变化、背景扰动(典型的如树叶摇晃)等外界干扰对背景模型的影响，在室外、室内环境下均可快速、准确、完整地分割出运动目标。 其次，针对图像后处理去噪，本文介绍了几种常用的滤波方法，着重讨论了形态学中的膨胀、腐蚀运算在去噪中的应用，并取得了很好的效果。 接着，关于目标跟踪，本文主要研究利用Kalman滤波的方法实现对运动车辆和行人的实时跟踪。实验表明，该方法可准确地对诸如目标下一步的位置、速度等参数做出估计，可为后续相关匹配等工作打下良好的基础。 然后，本文研究了基于形状特征的目标分类方法，如复杂度、高宽比、占空比等关键特征。实验表明，上述特征可有效区分车辆和行人，可达到满意的分类效果。另外，本文将上述形状特征作为样本对BP神经网络进行了训练，仿真结果