在视频监控应用中，目标行为分析是近年来备受瞩目的话题。它对监控物体的检测、跟踪、行为理解以及对分布式摄像机控制的智能交通管理都大有益处。出于安全性能考虑，目标行为被视为管理危险及紧急情况特别是救援和军事手段的一个重要组成部分。因此，多摄像机系统已得到普遍关注，许多情报机构正致力于此。人们需要具有地面监控和视觉智能系统。目标行为研究通常包括目标检测、重新识别和行为分析。在每个部分中包含各种因素如照明、视点方位、动态背景变化、遮挡和大数据集都会降低系统性能。本文通过解决这些问题来提高系统性能。　　在计算机视觉领域，很多研究科学家利用智能数学工具来设计计算机程序;这些程序能侦查和识别物体的行为以及发现视觉场景内的行为和事件。　　本论文特别探讨了在危险情况下自动化分析目标行为及提高目标重新识别和行为识别性能的算法。本论文中关于目标识别，重新识别和表情分析的主要方法如下:　　1.研究了目标识别方法并解决了其中出现的问题。广泛使用不同的可行性方法，例如混合高斯模型(GMM)、梯度方向直方图(HOG)，通过提高它的性能来获得更强大的效果。在目标检测之后，运用归一化的步骤如对比度拉伸、大小调整和噪音水平调整，并将它们分类到训练和测试数据集。此外，提出了一种在非控制环境下的目标识别方法。　　2.在多摄像机环境下，目标重新识别的方法被提出。介绍了两种不同的策略来分辨个体的独特性。在最先提出的策略中，加入了六边形图像处理方法。六边形和颜色直方图特征提取相结合，使他们产生强大的功能描述符来辨识独特的个体。在第二个策略中，通过结合密集的颜色SIFT特征和基于凸包检测的全局显著性区域特征，提出了一个重要的颜色特征图像描述。我们通过检测SIFT区域显著点找到粗显著区域。相似的测量技术已被应用到鲁棒的检测系统。　　3.在目标重新识别方面，分类是图像集中一个重要挑战。为减少大量数据产生的计算量，提高分类的鲁棒性，我们提出两种技术。在第一种技术中，介绍了Time-Tree SVM-based学习，以其作为一种处理巨大数据库的方法，便于迅速查找和改善重新识别的精确率。在第二个技术中，运用了预先排列式普遍最近区选择法来减少图像集过量。使用这些方法的目的是为了获得优于其他搜索方法的优点:1）减少搜索数据;2）轻松处理巨大的数据库。　　4.本篇论文讨论的另一个方向为面部表情分析。为了分析人类行为，六种面部表情分析算法被提出。为了解决上述问题，通过线性判别分析(LDA)和支持向量机(SVM)结合，设计出分类面部表情的总体框架。　　5.本文在公开的数据集上使用一个累积匹配特性曲线(CMC)的统计方法来评估算法的性能。