背景减除技术是计算机视觉的核心问题之一。虽然已经有了丰富的研究成果和应用,但仍然存在很多困难有待优化解决。场景中的不可预测因素,如动态背景、运动阴影、光照变化等都会影响背景前景的正确分类,使得后续处理如目标识别、分类、跟踪等变得困难。基于样本的非参数背景减除算法,由于不需要对场景进行假设,使得这类方法较为通用。本文以视频监控场景下的背景减除技术为研究目标,尝试解决动态背景、运动阴影等问题,采用基于样本的非参数化的方法,通过邻域信息对动态背景进行抑制,结合阴影颜色局部一致性理论和纹理相似性分析的方法对运动阴影进行抑制。本文的主要研究内容和创新点如下:　　 (1)首先对当前研究进行总结,本文归纳分析了视频监控场景下的背景减除技术的关键问题和分类方法,并对当前的经典背景减除技术进行研究和分析,重点分析了混合高斯背景模型,码本背景模型,非参数核密度估计背景减除方法。　　 (2)在背景模型方面,本文重点研究了一种基于样本的非参数背景减除算法:ViBe算法。分析了该算法的像素模型,分类过程,初始化方法及更新策略。本文简化了原有的分类过程,结合邻域信息进行动态背景抑制,利用统计第二帧前景像素在开始一段时间分类为前景的频率进行初始“鬼影”抑制,从而加速“鬼影”的退化速度。实验表明本文算法在动态背景抑制方面有较好的效果。　　 (3)在运动阴影抑制方面,本文研究了阴影颜色局部一致性理论和中心对称局部二值模型(CS-LBP)纹理分析方法,采用基于梯度空间连接邻域的方法对前景区域进行分割,使用三个阴影区域的特征进行预分类,并结合CS-LBP纹理相似性分析提高阴影的检测准确率。实验表明与当前最新方法相比,本文方法检测的准确率较高,均高于90％。