论文主要是在视频中进行目标识别的方法研究，相比于静态图片的处理需要增加一些额外的操作。目标识别的一般研究方法是，首先对目标进行特征提取和特征表示；其次依据这些特征，选择合适的分类判别模型确立合适的目标分类器；再次选取图像样本库进行分类器的训练，得到准确的分类模型，从而实现目标识别的目的。相比于静态图片的目标识别，在视频中进行目标识别前，需要对运动的目标进行运动检测，提取出研究的运动对象。目前运动检测的方法已经有很多，笔者结合多种方法提出了一种运动目标提取的改进方法，实验结果显示该方法能够准确的提取运动物体，这样保证能够对目标进行准确的表示。论文的第二项工作是对提取的目标进行表示，可以这么说，一个目标的准确表示程度是目标识别优劣的关键。笔者综合考虑Harris和SIFT的优缺点，学习二者的原理和步骤，将二者结合，对目标进行准确的表示。然后用BOW模型对运动目标进行特征向量表示。该特征作为分类器的输入参数进行分类器的训练。论文的第三项工作是进行分类器的选择和训练，得到合适的分类判别模型，通过实验数据分析模型的优劣，进一步的为模型的改进提供数据依据。借助该模型实现视频中运动目标的识别。本文是基于AdaBoost进行分类模型训练，并进行模型性能评价和分析。论文的最后工作是在前三项工作的基础上，对某一视频进行仿真实验，并且验证在现实中视频监控系统的可实用性。同时对实验数据进行分析，方便对方法的改进和完善。