作为一个涉及计算机视觉、图像处理、智能控制等多门学科的研究前沿,智能视频监控技术已经成为国内外计算机视觉研究领域热点问题之一,它的研究有着非常重要的科学意义和极其广阔的应用前景。运动目标的检测与跟踪作为智能视频监控最关键技术之一,其待解决问题的挑战性和技术复杂性吸引着、鼓励着众多计算机视觉研究人员投入该科研行列,并且每年提出的创新算法性能都显著提升。但是实际应用中,运动目标检测与跟踪仍然存在许多挑战和难点问题,这些都值得我们进一步分析、研究与探讨。鉴于此,本文展开了对智能视频监控关键技术的研究。首先,论文简要回顾了智能视频监控技术的研究现状和发展趋势,深入探讨了智能视频监控的关键技术和难点问题,并阐明了选题的背景和意义。接着,详细研究了本文用到的数字图像处理的基本理论知识,包括图像灰度化、颜色模型、图像去噪、直方图均衡化及数学形态学理论等。以上这些基础理论的研究为后续章节深入讨论视频图像中运动目标检测与跟踪技术奠定了基础。其次,本文对光流法、背景减除法、帧差法这三种运动目标检测算法分别进行了分析。综合比较这三种方法的优缺点之后,提出了一种结合背景减除和时空熵的对称差分目标检测算法。本文选用标准视频测试序列"hall_monitor"以及"Intelligentroom"来验证算法的有效性。对比传统对称差分,本文改进之后的对称差分算法有很好的去噪能力,在目标检测的完整度上有很大的提高,有效地避免了目标检测的“鬼影”现象,极大地提升了运动目标检测的效率,并且能够很好地克服光照变化等环境噪声的影响。然后,从算法原理角度出发,介绍了运动目标跟踪的四大类型算法,并探讨了当前目标跟踪的技术难点。在这些理论的基础上,深入研究了均值偏移(Mean Shift)与粒子滤波(Particle Filter)两种经典算法。均值偏移算法具有很好的实时性,但鲁棒性较差；粒子滤波算法跟踪准确性很强,但计算量较大和粒子退化现象制约其实时性。针对它们各自的优缺点,本文提出了一种融合Mean Shift的粒子滤波目标跟踪算法。该算法利用Mean Shift的聚类分析作用,提高了粒子采样效率,有效抑制粒子退化现象；而且,在算法实现过程中加入了目标模板更新环节,很好地解决了目标遮挡问题,在保证跟踪效果的前提下大大降低了粒子滤波的计算量,使得其被应用于实时监控系统成为可能。最后,在MATLAB7.10环境下,对PETS2001中的视频测试序列"CAMERA1"进行了仿真实验。通过结果分析,本文提出的新算法在粒子数较少、执行时间不到传统粒子滤波1/3的条件下即可达到与其相当的跟踪效果,不仅可以较强地抵抗光照变化等背景因素的干扰,而且能很好地处理复杂背景下的完全遮挡问题,具有较高的鲁棒性、准确性和实时性。