目前,基于静态单帧图像的监控模式主要应用于监控点分布较广、实时性要求不高与不需要连续监控的应用场景中。其中,监控图像中的感兴趣区域(Region of Interest, ROI)提取与目标检测是实现监控智能化的关键。与基于连续视频序列分析的监控模式相比,由于静态单帧图像中未包括目标的运动信息且场景各异,传统的基于运动检测的目标提取与检测方法难以适用,加大了监控场景中ROI提取与目标检测的难度。为此,研究适应场景变化的ROI提取与目标检测方法具有重要的现实意义和理论价值。本文针对静态单帧图像监控模式,围绕监控图像中重点监控区域分割、ROI提取与目标检测识别三方面进行研究,以获得满足智能监控更为可靠和实用的方法。在重点监控区域提取方面,结合重点监控区域的特点,提出了一种基于改进边缘检测的重点监控区域提取方法。首先通过引入快速小波变换去除光照、灯光等噪声对重点监控区域的影响。在此基础上,根据监控中心区域的概念,提出一种有效的重点监控区域边缘像素点采样方法,并建立边缘像素点评价方法,进一步去除了伪边缘像素点;最后,采用最小二乘法拟合重点监控区域的边缘像素点,获得重点监控区域的边缘。提出的算法运算量较小,且具有较高的精确度,能够较为准确地提取出图像中的重点监控区域。在ROI提取方面,针对在噪声与背景差异大于前景目标与背景差异时,基于颜色差异的方法无法正确提取出ROI的问题,提出了基于背景概率统计模型的ROI提取方法,实现重点监控区域前景和背景的分离。在此基础上,引入分块统计的思想来抑制背景噪声,从而提高了ROI提取的准确性。在多目标检测识别方面,给出了基于目标特征的级联检测算法。通过选取不同目标之间具有明显差异的轮廓特征量,建立基于模糊C均值聚类算法的轮廓特征检测器,实现物体目标和人体目标的粗分;进一步根据目标的感兴趣区域之间的颜色差异建立颜色特征检测器,实现物体目标和人体目标的正确识别。最后,结合提出的重点监控区域分割提取、ROI提取及目标检测算法,利用典型室内外监控场景图像,进行了实验研究。实验结果表明,本文提出的算法能有效地实现重点监控区域的分割、ROI的提取以及物体目标和人体目标间的正确区分,促进了静态图像智能化监控的发展。