智能视觉监控系统所面临的最基础性问题就是如何检测视频序列中的运动目标,因为只有在检测到视频运动目标的基础上,才能进行目标分类、跟踪以及内容分析等。论文对静态场景下视频运动目标检测及定位问题进行了研究。论文的主要工作如下：1)结合静态场景下视频运动目标检测的特点,提出了一套基于积累差异背景建模的视频运动目标检测技术,该技术的核心是基于积累差异的背景建模方法。基于积累差异背景建模的视频运动目标检测技术是本论文视频运动目标检测及定位的技术基础。该技术采用背景差法检测视频运动目标区域,用改进的Otsu阈值化算法对背景差图像进行阈值化,然后用两步区域生长法对目标连通区域进行标记,最后给出了一种对视频运动目标质心进行标记关联的实用方法。2)针对一些需要较为精确检测目标边缘信息的应用场合,基于第2章的检测技术,提出了一种融合Knockout抠图技术的视频运动目标检测方法。该方法可自动标记Knockout方法所需的前景轮廓区域、背景轮廓区域及未知区域,最终实现对视频运动目标边缘更精细的检测。3)针对目标运动区域空域连通特性较差时的目标检测问题,基于第2章的检测技术,提出了一种基于网格区域划分的视频运动目标检测方法。该方法在阈值化背景差图像的基础上,对视频帧进行网格区域划分,定义网格矩阵,设定网格内前景点个数的阈值,对视频帧的运动区域进行重定义,最终实现当被检测目标空域连通特性较差时的视频运动目标检测。4)运动目标检测常常需进一步对运动目标进行定位,即确定目标在图像中的空间位置区域或目标空间位置区域的重心。针对视频运动目标定位的需要,提出了一种基于减法聚类的视频运动目标定位方法。分析了减法聚类算法的原理,给出了减法聚类目标定位的实现步骤及流程框图。研究了定位算法对不同类型视频运动目标的定位效果,并将原有减法聚类算法进行改进,提出了一种椭圆域减法聚类目标定位方法。5)通过分析减法聚类算法用于目标定位的不足,针对减法聚类视频运动目标定位时存在的问题,进一步提出七点优化技术。即提出采用不同维度的邻域半径改进了原算法采用固定邻域半径的不足；提出修正目标邻域半径取值,改进了原算法无法准确描述不同尺度目标定位效果的问题；引入下采样技术,改变密度值函数及构造网格重定义数据集三种方法以提高算法的定位效率；引入模糊隶属规则对视频运动目标前景像素做进一步聚类,解决了原算法无法精确分类所有前景像素的问题；通过对目标前景样本协方差矩阵特征值和特征向量的分析获得各个目标的尺度及方向参数。