目标检测算法的目标是在没有人工干预的情况下,利用计算机视觉的方法,从摄像机拍摄下来的视频图像序列中快速、准确的检测出前景运动目标,并对目标进行定位和识别。目标检测技术在智能视频监控系统中有着广泛的应用,同时也是高层次视觉算法的基础,因此一直是学术界重点研究的关键技术。然而,实际的视频监控场景往往非常复杂,现有的目标检测算法还不能满足鲁棒的长时间监控的需求。本文在分析了现有目标检测算法的基础上,针对光照变化和背景扰动情况下的目标检测和目标分类的问题进行了研究。本文的主要内容如下:(1)本文分析了基于背景建模的目标检测模型、基于帧间运动分析的目标检测模型、基于光流场的目标检测模型、基于机器学习的目标检测模型四种常用的目标检测模型,阐述了每种模型的优缺点,并介绍了每种模型的代表算法。(2)针对光照变化、背景扰动和长时间鲁棒监控的问题,本文提出了一种高斯混合模型和区域划分迭代相结合的目标检测算法,实验结果表明该算法在光照变化和背景扰动的情况下目标检测的准确性比现有算法有了一定的提高。(3)本文研究了使用HOG特征和SVM分类器的行人检测算法,并运用该算法对检测到的前景运动目标进行了实时分类。实验结果表明,该方法提高了行人检测的速度以及在光照变化和背景扰动情况下的鲁棒性。(4)基于本文研究的目标检测方法,本文对目标检测算法在智能视频监控系统中的应用进行了研究,并实现了禁区入侵检测、行人检测和密度异常检测的原型。