智能视频监控被广泛应用在军事安全、智能安防、智能交通以及智能楼宇等领域，已发展为计算机视觉领域中一个重要研究方向。运动目标检测是智能视频监控中有待解决的关键问题之一，其检测结果直接影响后续的处理。本文分别对帧间差分算法和背景差分算法进行了深入研究，结合色彩空间、信息融合、边缘检测以及自适应学习等相关理论，提出了两种改进算法。(1)对数字图像处理技术中的边缘检测、色彩空间、图像去噪、形态学图像处理以及OpenCV平台的原理、数学模型以及性能做了介绍。运动目标检测是智能视频监控中一个重要的环节，同时也是其亟待解决的问题之一。首先对视频监控技术的发展进行了介绍，其次对运动目标检测算法中的光流法、帧间差分法以及背景差分法的基本原理、数学模型以及各自特性进行论述和分析。(2)针对传统帧间差分法中存在着漏检、空洞和虚假目标等问题，提出一种改进的帧间差分算法。对几种常见色彩空间的运动目标检测效果进行实验对比分析，选取检测效果优良的色彩通道分量构建运动目标检测的混合色彩空间CbVb*。充分利用帧间信息的相关性，根据CbVb*空间的场景像素变化特性，提出七帧帧间差分算法以获取运动目标的时域帧间差分；采用自适应阈值Canny算子得到梯度域的运动目标边缘，将时域帧间差分与梯度域目标边缘进行融合，对融合信息进行腐蚀和膨胀处理得到最终的检测结果。实验结果表明，改进算法可以更准确地检测出运动目标，并具有较好的鲁棒性、适应性和实时性。(3)混合高斯模型作为背景差分法中最为经典的建模方法之一，自从提出以来得到了广大研究人员的关注。针对传统混合高斯模型采用固定学习速率带来的模态残留和拖影等问题，提出了一种自适应学习速率运动目标检测算法。对图像序列像素变化特性和模型控制参数性能进行了分析，将模型学习过程分为背景初始形成和背景维护更新两个阶段，不同阶段采取不同的学习策略，初始形成阶段采用较大递减学习速率加速背景模型的形成；维护更新阶段根据像素点匹配次数与不匹配次数作为反馈量来调节学习率。实现模型的自适应学习。实验结果表明，改进的算法能够有效改善原始模型收敛速率慢导致背景模型更新不及时的问题，可以更准确地检测出运动目标，并具有较好的自适应性和鲁棒性。