随着视频监控大数据时代的到来，高效准确的从这些海量视频数据中提取人和车辆等信息具有重要意义，人车分类算法和并行化处理技术能够实现这一目标。本文主要讨论并行化计算框架下人车分类算法研究与优化，主要贡献包括如下：　　(1)在人车分类中，针对复杂场景下前景目标的提取，提出了一种改进的基于混合高斯背景建模的自适应前景目标提取方法。通过对混合高斯分布的自适应学习和在线EM(期望最大化)算法获得高斯背景模型的最优参数组合。通过对比实验表明，该方法在复杂环境下能准确提取前景目标。　　(2)对于人车目标检测识别部分，针对传统基于HOG算子结合SVM分类器实现固定滑窗检测目标会造成过小目标的漏检、过大目标的误检的问题，提出了一种多级别可控滑窗的人车目标识别方法。通过设置不同级别的滑窗尺寸及对应的SVM分类器，进而匹配不同大小的前景 ROI区域实现识别。实验证明该方法能有效的减少目标漏检误检，从而提高了目标识别的鲁棒性。　　(3)针对海量视频离线批处理的场景，设计实现了一种离线的海量视频数据批处理并行计算框架：V-Hadoop。V-hadoop主要依托Hadoop平台数据并行处理框架的优势，自定义设计了针对视频图像数据处理的数据类型和相关组件，并通过一种优化的高效的内存共享机制，将人车分类算法融入 V-Hadoop，实现了算法与高性能并行计算资源有效融合。通过实验结果证明，该框架可以实现海量监控视频下人车分类算法的高效处理。　　(4)针对 V-Hadoop离线海量视频批处理云平台无法满足视频流式处理需求的缺陷,引入Storm并行计算平台，设计并实现了一种基于多路视频流的并行化处理方法。通过对比实验表明，该并行化处理方案高效稳定，集群运行良好，负载均衡，能满足大规模视频流数据处理的需要。