随着计算机处理能力的迅速提高，计算机视觉在各个邻域的应用也越来越广泛。复杂背景下的前景分割作为计算机视觉中的一个重要组成部分，也随之成为了研究人员的重要研究课题。而这个研究课题的复杂性就在于复杂场景中存在着比如光线变化、物体永久移入或移出背景等影响前景分割效果的干扰因素。本文的主要研究工作就是为了找到一种当上述干扰因素存在时仍能准确分割出前景的前景分割方法。 本文首先通过实验对照和分析了典型的前景分割方法，指出了各种前景分割算法的优劣。然后本文提出了一种将帧间差法和背景差法相结合的前景分割算法，这种方法将帧间差法受场景变化干扰影响小的优点和背景差法能获取最完全特征的前景图像的优点有机地结合在一起。算法过程为首先分别用背景差法和帧间差法获取各自的前景图像，然后将帧间差法的前景区域象素作为种子象素进行四领域的区域生长以获取最终的前景。区域生长的条件之一是基于前景和种子区域象素的灰度相关性；另一个条件就是基于背景差法的前景结果。实验证明，这种方法在室内和室外的复杂场景中对大部分干扰因素都是行之有效的。同时，在本文前景分割算法中，还提出了一种有效的基于多层次的动态背景更新算法。 在本文前景分割方法的基础上，我们实现了一个简易的智能监控实验系统。该系统的前景目标检测算法是在背景差结果的基础上进行的，先对前景去噪，然后通过形态学中的闭合运算对分裂的前景区域进行连通，接着进行四邻域搜索形成前景目标区域，最后进行区域合并和选择达到前景目标检测的目的。一旦系统检测到场景异常时，会通过SMS(Short Message Service)报警，同时也会以有线或GPRS(General Packet Radio Service)的方式备份场景异常图片。实验证明，这个实验系统的实时和检测准确度都是比较理想的。