近些年来,随着社会经济高速发展,视频监控成为智慧城市必不可少的一部分。视频监控可以对流动人员及其行为进行实时的采集和记录,从而防范一些意外事故的发生。然而,通过事后查看和人工监督的传统方法已经不再适用。为了更加准确和便捷的获取相关信息,人们希望借助智能视频监控系统来完成一些特定的动作,例如对一些特定的场景以及特定的事务进行识别和检测。运动目标检测作为智能视频监控系统的核心技术,是目标实时跟踪、目标行为分析、自动应急报警等后续功能的关键前提。对于行人目标检测而言,从视觉直观维度获得行人目标的轮廓、形态、以及完整的目标区域,可以为目标的直观判断和辨别分析提供借鉴价值。从识别分类维度看,在各类运动目标中实时地对行人目标进行检测识别以及跟踪为后续异常行为判断、预警等更高层次的分析处理奠定基础。两者相辅相成从而更好地应用于智能监控系统中。因此如何从两个维度进一步提升行人目标检测的精度和速度并且应用在实时场景中也成为了该领域研究的热点和需要进一步解决的难题。本文在分析研究目前运动目标检测的相关理论基础之上,借助计算机视觉、深度学习等技术,从视觉直观维度和分类识别维度分别提出了两种改进优化的行人目标检测方法,能够较为精确且高效地对行人目标进行实时检测。本文主要完成的研究工作如下:(1)为了准确获取行人目标的轮廓、形态、以及完整的目标区域提出一种改进的Vi Be算法。针对“鬼影”问题,提出通过融合混合高斯背景模型并结合图像形态学处理进行“鬼影”消除。针对复杂环境适应性不强的问题,提出在背景更新阶段引入自适应的更新半径和更新概率来提高算法精度,使得算法可以较好地适应复杂环境。经过在包含行人视频数据下将本文改进算法和其他四种目标检测算法进行对比实验进行验证得出,在基本保证一定实时性的前提下,本文改进算法可以快速有效地消除“鬼影”现象,且对复杂环境适应性较强,在视觉直观维度对行人目标检测具有良好的适用性。(2)为了从各类运动目标中对行人目标进行精确检测识别提出一种基于改进YOLO的行人目标检测算法。针对YOLO在检测精度方面的劣势和不足,对行人目标检测提出两方面的优化策略,一是引入衰减函数对非极大值抑制算法进行优化,二是引入多级特征融合和改变预测框在横、竖轴方向的密度来优化网格结构。针对YOLO损失函数的弊端,对行人目标检测提出了损失函数的参数优化策略,提升了YOLO的训练效率。经过在INRIA行人数据集和其他视频采集样本下进行实验得出,在保证一定实时性的前提下,本文改进算法在检测精度和训练效率方面均有明显提升,在分类识别维度能较为精确和高效地完成行人目标检测。