滑坡是一种严重的自然灾害,对人民的生命财产带来了巨大威胁,据统计2019年全国共发生滑坡4220起,共造成211人死亡,直接经济损失27.7亿元,所以对滑坡进行监测十分重要。传统的方法主要使用高精度监控设备监测滑坡区域,这种方法成本高昂并且在架设监控仪器时会带来安全隐患。近年来,随着人们对视觉算法的不断研究,智能视频监控得到了广泛的应用,作为一种远程检测方法,它可以实时地从视频监控中识别并提取移动目标。相较于传统的方法,基于视觉算法的移动目标检测方法具有远距离识别、精度高、成本低等特点。因此,针对目前运动目标检测技术出现的问题提出改进,并应用到实际的滑坡检测中,是本文的研究重点。本文的主要研究工作如下:（1）研究分析了传统运动目标检测算法。概述了帧间差分法、GMM、EGMM、Vi Be和GMG算法的基本原理,分析了各自的优劣,使用CDnet2014数据集对上述算法进行测试,检测结果表明,上述算法都会出现噪声干扰、检测“空洞”和阴影误检的问题,相比之下EGMM算法的综合表现要优于其他方法。（2）以高斯混合模型为基础,针对原始模型使用的固定学习率无法适应复杂动态环境变化的问题,提出了一种基于像素时间相似性的局部学习率自适应方法。实验表明该方法能根据区域的复杂度自适应改变学习率,在前景区域的学习率要明显高于背景区域,并且通过改变权重更新公式的学习率,提升了算法对间歇运动对象的检测效果。（3）为了优化检测结果中出现的“空洞”,本文结合连续图像的像素之间存在时空相似性的特性,提出一种新的时空滤波器,结合历史输入图像和检测结果,对当前的二值图像进一步细化,实验结果表明该方法能够有效改善区域空洞的问题。（4）针对场景的光照以及阴影对算法检测带来的干扰,总结了阴影覆盖区域亮度降低纹理特征不变的特性。提出利用HSV分量对阴影的不同敏感程度,判断并祛除前景区域中的阴影。实验结果显示,能准确地分割阴影区域。（5）最后使用改进后的高斯混合模型算法,分别在CDnet2014数据集和采集到的真实滑坡影像进行了实验分析。相较于传统的运动目标检测方法,经过本文改进后的高斯混合模型算法在CDnet2014数据集的召回率和F1值分别提升了14.5%和8%,在滑坡数据集也有所提升。因此,改进后的算法可以更准确地检测出运动目标,能够减少由阴影和噪声所造成的误检。