原始的采用人力来进行监控的方法已经跟不上需求，为了实现更准确、更高效的视频监控技术，智能视频监控正在蓬勃发展。遗留物检测技术是安全防范领域中智能视频监控的一个重要分支，是一项横跨图像处理、模式识别、计算机视觉等多个学科的交叉技术。遗留物的检测利用监控设备和图像处理相结合的技术，使计算机或者嵌入式硬件具有解析视频的能力，从而对遗留物进行主动的检测和预警。遗留物的检测在生活中具有实际意义，可以用来排除危险情况或帮助失主找到丢失的物体。因此，视频监控中遗留物检测关键技术的研究具有重要的现实意义。本论文对遗留物检测所用到的关键技术进行了研究。主要分为遗留物检测的预备知识、目标检测、目标跟踪和人体识别四个部分。其中遗留物检测所用到的预备知识有彩色图像空间的转换、图像滤波、阴影去除以及图像的阈值分割。本文对中值滤波、均值滤波、高斯滤波、形态学滤波这几种方法进行了对比。对基于颜色特征的阴影去除方法和基于边缘检测的阴影去除方法进行了研究和实验，为论文的后续研究奠定了基础。本文对光流法、帧间差分法和背景差分法这三种目标检测方法进行了对比，背景差分法具有提取的目标较完整的优点，对中值背景建模法、均值背景建模法、单高斯背景建模法以及混合高斯背景建模法这几种背景建模方法进行了研究和对比，中值背景建模法和均值背景建模法实现简单、运算速度较快，但是只能适用于简单的场景，混合高斯背景建模法的抗干扰性能最好。使用传统Meanshift算法进行目标跟踪误差较大，卡尔曼滤波算法能够有效估计目标在下一时刻的位置，因此利用卡尔曼滤波算法对Meanshift算法进行了改进，改进后的算法在一定程度上解决了传统Meanshift算法在目标颜色特征不明显、目标运动速度较快以及发生遮挡时跟踪效果较差的问题。本文考虑了行人可能对遗留物检测造成的干扰，采用了基于合并联通区域的方法进行人体识别，首先检测出联通区域并根据一定条件对联通区域进行合并，然后根据联通区域的高宽比和形状复杂度来进行人体识别，此方法实现简单，速度较快。根据遗留物的特点物体、停留时间超过一定值对遗留物进行判定。