随着经济的发展,人类的活动范围越来越大,面临的突发事件和异常事件越来越复杂,监控的难度和重要性也越来越突出,传统的靠人工来处理海量监控视频数据的方式已经无法满足安全需要,智能视频监控系统应运而生。智能视频监控的主要任务是对监控视频中的运动目标行为进行分析,减少监控视频中对人无用的冗余信息,只为监控管理人员提供关键监控信息。运动目标分类是智能视频监控系统中运动分析研究的一个重要方面,其主要研究内容是对视频中的运动目标进行自动分类,运动目标分类是智能监控中目标行为理解的基础。本文针对静止背景的监控视频展开研究,在对当前运动目标检测和分类技术的研究基础上,提出了一种适用于各种不同监控场景的运动目标分类算法。该算法提取运动目标的静态特征和时间上下文信息,利用改进的SVM分类方法,能够有效地将监控视频中的运动目标自动划分为预先定义好的类别,包括行人、自行车、汽车等。与传统的基于SVM的目标分类算法不同的是,本文利用改进后的SVM分类器不仅能输出目标的分类类别,还能输出目标类别的后验概率,因此改进后的分类算法更有利于结果的后续处理。另外,本文在目标分类结果的后处理阶段引入了数字信号处理方法,将SVM输出的后验概率值作为数字信号,在对该信号进行频谱分析的基础上,利用FIR低通滤波器对原始的概率值序列进行数字滤波去噪,使得概率值序列更为平滑,有效地避免了由于偶然因素导致的分类错误,提高了系统的分类性能。最后通过实验证明本文提出的目标分类方法在不同场景下的监控视频中能有效区分人、人群、自行车等六类运动目标,与传统的基于SVM的目标分类算法相比,本文算法在查全率和查准率方面都获得了满意的性能,并且本文提出的算法框架在其他类似的运动分析研究领域也有一定的借鉴价值。