前景物体的监测是自动视觉监控应用中的第一步。利用摄像装置拍摄实际的场景，然后在一系列连续的视频中将需要分析的运动物体(前景)与相对静止的物体(背景)分割开来，这就需要用到背景减除技术。它要求具有十分的敏感性及准确性。背景减除可以用在交通监测，车库监控等很多要用到智能视觉的应用中。同时，对于特定的视觉分析和视觉检测研究中，背景减除也能作为一种很好的辅助技术。 本文在借鉴了单高斯模型，混合高斯模型，无参数模型，代码字模型等几种经典方法的思想的基础上，提出了一种新的基于历史特征模型的背景提取方法。该方法实时记录每个像素点的当前灰度值，但是不采用无参数模型方法中的记录所有历史记录的方法，而是依据像素历史灰度值记录的不同范围以及变化规律，将记录分类，并相应地建立特征模型。不同的特征模型记录不同的历史经历区域，也蕴涵着不同的实际视觉意义。本文同时将特征模型分为背景模型和非背景模型两大类，并且每个模型都能自适应地，实时地更新。同时，我们赋予每个特征模型一个优先级，它将决定该模型是否为背景类模型以及两种不同类模型之间的相互转换。任意一个像素点只要能依据它当前的灰度值在它的若干个模型里面找到一个匹配的背景类模型，该像素点即被判定为背景，否则为前景。本文还提出了不同于混合高斯模型的优先级更新方法。通过各种不同类场景的实验把本文提出的方法和混合高斯模型以及无参数模型的背景减除方法做了比较。结果表明，在背景复杂，运动变化频繁的环境中，基于历史特征模型的方法能得到更好的结果以及更清晰的前景轮廓，也更能体现出该方法的长处。此外，我们将该方法应用到人脸跟踪以及运动分析的计算机视觉研究工作中，取得了不错的效果。