智能视频监控是机器视觉领域中的一个重要分支，是未来安全监控技术的发展趋势，在机场、银行、商场等场所中有着广泛的应用。其中运动目标检测技术是实现智能视频监控的关键技术之一，是目标跟踪、目标识别、目标行为分析的前提和基础。本文在深入研究了图像视频序列的稀疏表示及字典学习理论的基础上，将字典学习理论应用于运动目标检测，通过字典学习建立背景的稀疏表示，利用背景和前景的时空相关性进行字典更新和目标分割，最终实现运动目标的检测。本文的主要工作如下：(1)通过阅读国内外文献和著作，对智能视频安全监控的研究背景、意义及国内外研究现状做了阐述，并对运动目标检测的经典算法做了较为全面的综述。这些工作为后续研究奠定了坚实的理论基础。(2)研究了字典学习和稀疏表示理论，并对匹配追踪算法、正交匹配追踪算法、基追踪算法和Focuss算法在稀疏分解中的实现进行了详细描述。(3)提出了一种改进的基于字典学习的运动目标检测算法。该算法以K-SVD字典学习算法的K聚类和字典与稀疏系数同时更新思想为基础，设定某个场景特征背景的个数为字典原子个数，字典与系数的更新同时迭代进行，舍去了奇异值分解步骤，有效地减少了计算量。分割算法有机结合了视频序列的时空特性，这样可有效排除伪前景和噪声对运动目标的干扰，得到准确的运动目标区域。(4)提出了一种基于主成分追踪与字典学习的运动目标检测算法。该算法将图像看成由静态背景、动态前景和服从高斯分布的噪声构成，因此，算法首先对视频图像进行去噪预处理，再通过主成分追踪法生成低秩背景矩阵，然后通过字典学习建立稀疏背景模型及对待检测视频进行稀疏编码，最后通过分割算法从背景差分图像中进行目标的检测。通过高速公路监控视频及停车场监控视频实验表明，该算法能很好地对运动车辆及运动的行人进行检测。