智能视频分析技术融合了机器视觉和传统监控系统,是人工智能与机器视觉领域的一个重要研究方向,广泛应用于国家公共安全相关系统、智能交通网络、智能电力、建筑智能化等领域。智能视频分析技术需要建立视频及其描述之间的映射关系,通过机器视觉、模式识别、图像处理和人工智能等技术,理解原始数据语义信息。运动目标检测在提高智能视频分析系统的计算速度、准确性和鲁棒性上发挥着极其重要的作用,直接影响系统整体性能。背景建模法是运动目标检测领域最为常用的方法,通过视频序列建立稳定的背景模型,将已建立好背景模型中的像素值、直方图、纹理等特征信息与输入图像对应特征做差分运算获取运动目标。背景建模法的核心是背景模型的建立和更新,优点是原理简单、运算速度快、计算量小、具有较高的实时性和目标检测准确率。本文利用机器视觉等相关理论,针对视频复杂场景、光照突变场景中运动目标的识别和优化进行了深入研究,提出了以下四种背景建模方法。（1）为提高运动目标检测的准确性,构建鲁棒的背景模型,在综合考虑视频图像在同一位置像素点的时间相关性和邻域像素空间相关性的基础上,提出基于多种特征融合的背景建模方法,选取视频序列中四种特征建立背景模型。首先采集视频第一帧,利用像素与其邻域像素相关一致性的特点,快速初始化背景模型;其次融合视频序列多种特征更新背景模型,在检测目标时消除背景模型初始化产生的鬼影区域;最后通过提取输入帧的像素值和背景模型中的特征值自适应调整阈值,提高背景模型在复杂场景下检测目标的适应性和检测率。（2）为解决背景建模方法在光照突变场景下引起全帧像素值大范围变化时检测目标十分困难的问题,提出基于改进Census变换的多特征背景建模方法。首先选取33’Census变换窗口的中值代替中心像素值,减少Census变换特征值对中心像素的依赖;其次建立Census模板和更新模板规则,有效改善Census变换对视频处理的鲁棒性和稳定性;最后将改进后的Census变换等特征融合建立背景模型,实现运动目标检测,在光照突变场景下提高了对目标检测的准确性,利用自适应敏感系数衡量视频不同区域的动态程度设置相应的更新规则,提高了在复杂场景中检测运动目标的鲁棒性。（3）针对大多数背景建模方法对背景的复杂变化较为敏感,尤其在复杂场景中背景动态变化大往往引起检测前景目标和识别背景的错误,导致检测率较低的问题,提出基于自适应复杂场景的背景建模方法。采集视频前5帧初始化背景模型,通过输入帧获取像素信息更新背景模型,减少噪声和帧内边缘对检测目标的影响,改善了初始化易造成鬼影现象的问题。针对复杂场景动态变化大,难以直接用像素值描述特征,使用自适应离散系数描述像素动态变化幅度,降低在复杂场景中提取前景目标的难度,减少了由背景像素值大幅度变化产生的假前景。（4）针对大多数背景建模方法检测运动目标易出现假目标、前景孔洞和鬼影的问题,提出基于改进形态学的背景建模方法。首先以改进的Vi Be算法为基础快速检测运动目标;其次通过动态系数将背景像素划分为简单背景和复杂背景两类区域,约束腐蚀操作范围,降低假前景对检测结果的影响,改进膨胀结构元,填补目标孔洞。通过限定腐蚀和膨胀区域,降低腐蚀和膨胀在视频序列执行频率,减少形态学对模型检测速度的影响;最后提出基于邻域中值鬼影区域检测与消除方法,很好抑制了鬼影区域的产生。