基于视频的运动目标检测已经广泛应用于视频监控、智能交通、视频编码、人机交互等领域。当前,国内外学者提出了很多目标检测算法,这些检测算法在稳定性、准确性等方面已经取得很好的效果,但是仍然存在很难适应环境变化的影响,难以满足实时性的要求的问题。因此,对运动目标检测技术的研究仍然是一个具有挑战性的课题。在智能交通监控领域,传统的视频监控系统只是实现了基本的视频采集、存储、录像回放等功能,对于视频的监控只靠人工进行。这不仅造成人力资源的浪费,还会出现漏检、误检等事故。因此,对智能交通监控系统的研究具有十分重要的意义。本文研究了基于高斯混合模型的目标检测算法,介绍了目标检测过程中的序列图像的预处理、分割、特征提取和目标识别四个步骤。在此基础上对高斯混合模型进行改进和优化,并将改进后的算法应用到智能交通监控系统中。论文主要工作如下:首先介绍了基于视频的运动目标检测算法的研究背景和研究意义,分析了当前目标检测技术存在的主要问题。然后详细介绍几种典型的运动目标检测算法并对这些算法的性能进行对比。剖析经典的高斯混合模型背景建模算法,重点分析了怎样利用高斯混合模型进行背景建模、背景模型的初始化、提取视频图像中运动前景信息,以及如何利用数学形态学的方法对前景的信息进行处理、得到有效的运动目标的方式和方法。针对高斯混合模型建模量大,算法复杂度高,且不能满足视频监控实时性的问题,提出了基于超像素点聚类分块的改进高斯混合模型。该模型将每个视频帧的像素点进行分区域处理,利用SLIC算法提取视频帧中的超像素代替单个像素点作为高斯混合模型处理的基础。利用Matlab进行仿真实验,实验结果表明提出的改进的高斯混合比高斯混合模型处理速度更快。最后,我们将改进算法应用到智能交通监控系统中,设计了智能交通监控系统的基本构架,组建了交通视频监控系统监中的硬件设备,具体实现了系统中各个功能模块。使用该系统对道路上的车辆进行检测,检测结果显示,该系统能够较快的对进入视频范围的车辆进行正确检测。