近年来,视频监控系统发展迅速,广泛地应用到了交通运输、金融银行、军事安全等诸多领域,是计算机视觉的重要应用。复杂场景的运动目标检测技术是智能视频监控领域的研究热点,为后续的目标追踪、智能报警的研究奠定了基础。本文对静态场景的目标检测技术进行了深入的探索,并着重研究了混合高斯背景建模运动目标检测和阴影消除的问题。主要工作如下:针对传统GMM (Gaussian Mixture Model,混合高斯建模)方法参数初始化粗糙,导致背景估计偏差较大的问题,提出了一种K-EM参数初始化优化方案。首先,对获取的视频帧图像进行形态学去噪,然后引入HSV颜色模式,建立HSV空间下的混合高斯背景模型,并结合K-means算法与EM算法完成参数的初始化。实验证明,在室外光照条件下,该算法的前景检测率较高,但阴影抑制效果不明显。在目标阴影消除方面,本文提出了一种基于颜色-纹理模糊积分双特征的阴影消除算法。首先在HSV颜色空间下进行像素的颜色聚类,对纹理特征采用旋转不变的LBP均一化模式。然后利用模糊理论中的Choquet模糊积分融合二者的相似度量值,与选定的阈值进行比较,分离前景目标与背景。通过实验分析,该算法对于目标与背景差别较大的图像检测效果较好,对于小目标或伪装色目标的检测效果不明显。针对双特征阴影消除算法的不足,本文提出了一种PCA (Principal Component Analysis,主成分分析法)与Choquet积分相结合的多特征融合的阴影消除方案。首先采用PCA方法提取阴影的主要特征,然后采用Choquet积分进行背景模型多特征的融合,最后采用一种自适应的Ostu分割算法完成对运动目标的提取。实验证明,本文的背景建模和阴影消除算法的检测结果准确性高,抗干扰性强,且可以适应不同的场景和环境,鲁棒性较强。