基于静态相机的智能监控系统对于交通、安防、金融、电力等领域有着重要的实际意义。智能监控系统利用计算机视觉技术对于图像序列的信息自动进行分析和理解，并输出自然语言描述的结果。背景减除算法作为计算机视觉技术的重要一环，其处理的结果直接影响后续的算法效果。
　　简单的背景减除算法能够满足实时性的要求，但是对于复杂场景有着较频繁的误检现象发生；复杂的背景减除算法能够满足准确率和检测目标完整的要求，但是在实时性上表现很差，同时还不具有普适性。针对在复杂场景下的研究难点：一是在图像序列中，背景区域的短暂动态变化会被认为是前景目标；二是在图像序列中随着背景模型的更新，前景目标的短暂静止会被更新进背景模型中，从而造成漏检现象的发生。本文研究了几种典型的背景减除算法，在此基础上提出了几种改进方法：
　　1)改进了ViBe算法的背景建模。具体定义前一帧的前景像素点状态，并根据当前帧该像素点的状态来自适应的改变算法模型的更新速率。同时定义了前一帧背景像素区域的动态化程度，根据动态程度自适应改变判断像素是否属于背景像素区域的阈值，然后通过实验进行对比。结果表明自适应的更新速率能够消除鬼影现象的产生，自适应的阈值对于动态背景像素的误判有很好的抑制作用。
　　2)本文深入研究了基于卷积网络特征构建背景模型的优势。颜色特征和纹理特征一般作为最常见的特征表现方式被广泛的应用于计算机视觉中，但是在光照变化、阴影、动态背景、噪声、相机抖动等干扰下，这两种特征并不能完整的用于前景目标分割。本文通过卷积神经网络多尺度特征融合来构建混合高斯模型，提出通过AlexNet网络获得的多尺度特征图像通过反卷积的操作来融合，并且考虑到在背景减除场景中前景目标与背景区域像素差别很大，加入了平均池化操作放大这种差异性。结果表明与基于颜色特征和纹理特征的混合高斯模型相比，基于卷积网络特征的算法在评价指标上要高5%左右。
　　3)现有的基于卷积神经网络的目标分割算法都需要对每一个场景进行训练，因此并不具有实用性。本文提出结合全卷积网络与传统背景减除算法，使用全卷积网络定位前景目标的位置，减少传统混合高斯模型的模型更新范围。该算法不需要对于每一个监控场景进行训练，属于无监督学习的背景减除算法。其目的就是借助全卷积网络排除实际场景中的物体阴影、噪声、动态背景等因素的干扰，提高传统混合高斯模型的建模能力，起到一个筛选作用。通过实验与无监督的背景减除算法进行对比，结果表明本文提出的结合算法性能要优于其余算法，且在实时性上满足要求。