智能视觉监控是用计算机视觉的方法，在不需要人为干预的情况下，通过对摄像机拍录的图象序列进行自动分析来对被监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断有关目标的行为。实际视觉监控系统中的场景往往是错综复杂、变化无常的，而准确地对运动目标检测和跟踪是许多智能视觉监控系统对于多摄像机融合、行为分析理解等后续处理的基础。本文利用视觉信息在时间和空间上的相关性，主要研究运动目标检测和跟踪的相关模型及算法。本文针对三种常用的运动目标检测算法，深入研究了各方法的原理，通过实验，分析、比较它们的优缺点，并在此基础上提出了一种基于背景动态建模的运动目标检测方法。该方法有效地吸取了Stauffer等提出的自适应混合高斯背景模型基础思想，为每个像素构建混合高斯背景模型，通过融入帧间差分把每帧中的图象区分为背景区域、背景显露区域和运动物体区域。相对于背景区域，背景显露区中的像素点将以大的更新率更新背景模型，使得长时间停滞物体由背景变成运动前景时，被遮挡的背景显露区被快速恢复。与Stauffer等提出的方法不同的是，物体运动区不再构建新的高斯分布加入到混合高斯分布模型中，减弱了慢速运动物体对背景的影响。在运动区域检测后，通过阴影检测和形态学噪声处理提高检测的准确性，得到完整的运动目标。实验中，将以上运动检测算法应用于多组自然环境条件下拍摄得到的图象序列进行车辆检测和人体运动检测，实验表明该运动目标检测算法能有效、快速的检测出运动目标。本论文的另一项主要工作是对从序列图象中检测出的运动目标进行轨迹跟踪。通过建立目标跟踪的卡尔曼滤波器模型，对运动目标进行运动估计，从而减少噪声干扰和特征提取的搜索范围，提高了算法的效率。在目标匹配时，采用质心和面积相结合的方法，兼顾了目标的位置和形状，并利用匹配函数来进行目标匹配，取得了良好的效果。另外，算法中检测结果和跟踪结果的相互校正进一步提高了系统的稳定性。实验结果表明，目标跟踪的卡尔曼滤波模型比较符合实际的情况，跟踪算法能可靠地预测与跟踪出目标的运动轨迹。基于运动目标检测和跟踪方法，本论文设计并实现了遗留和偷窃检测、密度异常检测、速度异常检测、非法闯入和穿越围界检测、摄像机自动跟踪运动目标等智能视觉监控系统应用原型。将监控系统应用于有诸多不确定性因素的实际监控场景中，实验结果表明，该系统能有效的辅助监控人员进行监控。