在视频中,相邻帧图像的目标之间往往只有极小的位置变化,而现有的视频目标检测方法经常使用逐帧全图像的策略对视频进行特征提取,产生了对大量背景冗余信息的无效计算。并使用LSTM或光流等一些方法来增强目标特征的表达,但是却增加了整体模型的计算开销,无法在一些性能较差的设备上应用。此外,许多方法中还存在相同目标在不同帧中的结果不相关,并且前一帧的检测结果不能在后一帧中起作用、同一目标在不同帧中可能被识别为不同的类别等问题。本文针对这些问题对视频目标检测方法进行了研究,提出了一个基于运动决策引导的视频目标检测的解决方案,并建立了交通视频监测场景的实际应用。具体的研究内容包含以下几个方面:（1）针对现有方法对背景冗余信息处理能力不足的问题,提出基于运动决策的局部区域视频目标检测方法。利用目标在上一帧位置在当前帧图像中映射的局部区域的信息,对目标的运动情况进行预判,进而修正目标在当前帧的位置,同时对不同帧中的同一目标建立起了联系,减少了结果在不同帧中反复变化的情况。（2）针对现有方法视频特征融合开销较大的问题,提出了一系列针对特征和模型的增强优化方法。通过优化样本和相邻帧目标的相似性监测提高了运动决策的可靠性,同时通过特征融合分类方法增强特征的表达能力,提高检测精度。（3）交通监控视频有着监控点位多、视频时长较长的特点,导致使用人工进行逐视频分析的代价过大。而本文方法的高效性正好适合处理这一类任务,因此我们将其应用到交通视频监测场景当中,并设计了一个能自动化处理交通视频和分析的系统。