科技的不断创新，也受惠于监控领域，使视频监控技术得到快速发展。安防行业的快速发展促进了智能监控系统的发展，其也成为模式识别与图形处理交叉领域中的热点之一。从摄像头的监控场景中对运动目标进行检测、识别、跟踪，得到运动目标的位置，然后用方框标识出在图像中呈现出效果，以上过程即为目标跟踪。　　本研究用改进的自适应中值滤波对视频界面出现严重噪声干扰的情况进行处理，然后对静态背景下的多目标运动跟踪的细节问题进行分析和研究。其中，如何实现在GPU下实现视频的多目标跟踪并且能够减少处理时间成为本文研究重点。GPU并行架构技术的不完善促使CUDA计算架构的产生，这使得NVIDIA企业走在GPU并行技术的前列，其设计优点是可编程性好，能够加速并行化算法，缩短算法执行时间。智能监控系统中目标能够实时性跟踪尤为重要，在复杂的监控场景下，跟踪算法的时间复杂度很大，CPU的处理能力已经不能满足应用需求。所以，对目标跟踪算法的整个执行过程进行梳理，通过测试与算法的时间复杂度查找算法耗时和处理数据量大的部分。对多目标跟踪系统实现模块化，并对计算量大的模块实现并行化，然后分别在GPU上对各算法模块进行并行加速处理，用CUDA在系统上编程实现。利用SIFT特征度量，通过Mean Shift算法迭代搜索。通过实验测试发现基于改进型的SIFT-Mean Shift算法要比基于空间颜色的Mean Shift算法的效果要好。所以设计F/L多线程模型用于Mean Shift算法在CPU下的并行，并利用GPU提取出SIFT特征度量。分别在纯CPU及CPU与GPU混合模式下执行同样的测试视频流，对测试的实验结果计算每秒处理帧数，通过实验结果的对比，发现GPU能够加速算法处理，算法中计算量大的部分通过CUDA优化以后可提高多目标跟踪算法的整体运行效率，具有很好的实用价值。