智能视频监控系统作为计算机视觉技术的一个重要应用，一直是计算机视觉领域中活跃的课题之一。智能视频监控系统是在不需要人为干预的前提下，对视频序列进行实时、自动的分析处理，试图在视频序列中检测出运动目标，并对其进行跟踪、目标识别和后续行为分析等，从而对视频内容进行理解和解释，并做出实时主动的预警和行为规划等。其中，运动目标检测是视频监控系统的基础，运动目标检测的准确与否决定了后续步骤的准确性和可靠性。
　　本文主要研究智能视频监控系统中的运动目标检测算法，试图将非负矩阵分解算法引入运动目标检测算法中，通过非负矩阵分解算法对视频序列的背景进行建模，使用背景差分法将当前视频帧图像与建立的背景模型比较获得近似前景图像，最后通过二值化、形态学处理等后续处理获得完整的运动目标信息。
　　本文详细介绍了基本非负矩阵分解算法的来由、数学模型、代价函数、乘性迭代规则、算法的收敛性和基本步骤，并分析了算法在批处理过程中的计算复杂度和空间复杂度较高、不适用于实时应用等特点。针对运动目标检测中基本非负矩阵分解批处理算法的不足，本文提出一种基于滑动窗非负矩阵分解的运动目标检测算法，通过滑动窗处理控制非负矩阵分解模型中被分解矩阵的规模，降低了算法的计算复杂度和空间复杂度，并在一定程度上增加了模型的非记忆性。
　　其次，针对基本非负矩阵批处理算法在实时应用中的不足，受增量PCA的启发，本文将增量型非负矩阵分解算法应用于运动目标检测中。本文详细介绍了增量型非负矩阵分解算法的由来、数学模型、代价函数、乘性迭代规则、算法收敛性和基本步骤等，并对其计算复杂度和空间复杂度进行了分析，能够满足运动目标检测应用中的实时需求。针对基本非负矩阵分解算法解不具备唯一性、稀疏性能够更好的表示运动目标等特点，本文提出一种基于增量型稀疏非负矩阵分解的运动目标检测算法，该算法通过增量模型，减少了算法的计算复杂度和空间复杂度，能够满足实时需求，并且能够控制每个样本对模型的贡献，增强了模型的非记忆性和自适应动态内容改变的能力。通过实验证明，在光照变化和背景变化复杂的环境中都具有很好的检测效果。