智能视频监控是计算机视觉的一个分支,利用计算机视觉和图像处理的方法对图像序列进行运动目标检测、运动目标分类、运动目标跟踪以及对监控场景中目标行为的描述与理解。在生产、安防、军事、交通等领域都有广泛地应用。现在的监控系统是在一台服务器上显示来自多个摄像机的视频流,但没有做到综合多个视频流信息的智能处理。对智能视频监控系统的实质性研究处于只对一个视频流分析、理解、处理的状态。所以传统的智能监控技术必须有新的改变才能取得更好的实际应用效果,本文就针对智能视频监控系统中处理多个视频流的问题从图像工程这个角度进行了研究,入手点在于提升图像工程算法处理大量视频流的能力和速度并做到跨视频流识别。结合前人的研究成果给出了一些适合处理多视频流的方法。首先,本文对经典的智能视频监控技术进行了分析。包括其中的一些广泛使用的算法,分析了这些方法的优点和缺点,为下一步的改进打下了基础。接着从视频处理的第一步开始进行改进,给出了灰度范围准则、局部差别准则双准则判断噪声类型,动态改变滤波结构的预处理方法,该方法具有中值滤波和小波滤波的双重优点,速度较快适合多视频流的实时预处理。然后,因为在运动目标检测环节中多视频流环境的要求和具体应用环境的差异,所以给出了两种处理方法。一种是模拟人类的记忆过程,让当前视频流信息和历史视频流共同为检测做出贡献,实验证明这种方法算法复杂度低,效果优于时域差分方法；另一种是适用于监控生产的基于静态背景库的方法,该方法把数据库的思想与运动目标检测技术有机的结合起来为智能视频技术的发展提供了新的思路。实验证明这种方法特别适合生产监控,对于非突变的环境有很好的适应能力,在监控环境比较恶劣的情况下也能有效的监控目标。同时讨论了关注度不高但对后续处理影响较大的运动目标漏检问题。并用经典方法和改进经典方法对该问题进行了处理,实验证明比较有效地降低了漏检率。最后,在多视频流处理中要达到跨视频流的目标识别,必须有在不同的视频流中都比较稳定的视觉特征。本文把计算机视觉另一大分支——图像检索技术中的思想引入到了跨视频流的识别中；还给出了一个新的视觉特征——轮廓变率,该特征能把运动目标的运动信息体现在视觉上；在具体识别的方法上,本文设计了快速识别的算法,该方法基于多特征的串行融合,并采用了蒙板技术识别,实验证明该方法提高了计算机对多视频流的处理速度。通过以上工作基本上可以实现智能监控多个视频场景,并将其应用到攀钢的钢管生产的视频监控中,取得了一定的实际应用效果。