随着科技的发展和人们安全意识的提高，安防技术的迅速发展，视频监控系统广泛地应用于人们的生活中，产生的视频监控数据也越来越多，作为视频监控数据分析技术的基础视频监控数据检测技术也越来越受到关注。尽管过去的文献提出了大量的检测算法，但面对大量的视频监控数据，难以同时满足准确性和实时性的要求。因此，需要针对现有的算法进行改进，进一步提高算法的准确性和实时性，主要研究集中在以下两个方面。在运动目标检测方面，首先分析了目前现有运动目标检测算法的不足，然后在混合高斯模型的基础上，给出了一种基于时空混合高斯模型的运动目标检测方法。该方法充分结合时空特征建立背景模型，并根据背景复杂程度自适应调整运动目标检测的阈值，提高算法的检测准确率。最后，结合GPU的硬件特征和运动目标检测算法的流程，给出了一种并行化方案，并利用视频图像的局部性特征，调整视频图像数据的存储方式，以局部Z形块的存储方式代替换行存储，提高了并行效率。在关键帧提取方面，通过对现有关键帧提取算法的分析研究，结合监控视频的特点，给出了一种基于局部前景熵的关键帧提取方法。该方法利用局部前景熵信息表示视频图像的运动信息量，然后构建局部前景熵三角模型提取关键帧。该方法解决了现有关键帧提取算法中关键帧数据冗余的问题，而且突出了视频监控数据的运动目标信息，提取的关键帧更准确。同时，针对局部前景熵的计算过程，给出了一种并行化方案，并自适应选择并行计算的映射粒度，充分利用GPU的计算资源，提高了并行效率。实验结果表明，基于时空混合高斯模型的运动目标检测方法能够抑制噪声、运动目标阴影以及背景区域变化的影响，完整的检测出运动目标，并行优化实现后，加速效果明显，加速比可达到10倍以上；基于局部前景熵的关键帧提取方法能够快速准确的提取出关键帧序列，同时在很大程度上突出了视频监控数据中的运动目标信息，并行优化实现后，加速比可达到8倍以上。