视频监控系统是计算机视觉领域的一项重要研究技术。它不仅具有很高的研究价值，而且具有很高的应用价值。智能化的视频监控系统旨在能够像人一样监控场景并理解出场景中的异常现象，发出警告信号，使人能够及时的进行异常事件的发现和处理。在实际应用中智能监控系统在商业领域和军事领域都有很大的应用空间。实现场景监控的自动化智能化，能够大大的减少人力的消耗，并能够在大量的监控数据中及时的发现问题，提高视频监控的效率。　　 运动目标的分类是视频监控系统实现智能化的一项重要技术。视频监控系统的主要技术内容有：运动目标检测，跟踪，目标分类，以及目标行为理解。运动目标分类是在完成目标检测的基础上进行的。运动目标分类是视频监控系统进行行为分析理解的前提。行为理解需要对特定种类的目标进行分析理解而一般场景中的目标种类是复杂多样的。目标分类技术就能够在众多复杂的运动目标中区分出关键的运动目标种类，使得后续的行为理解分析更高效和准确。同时，目标分类还具有其他更广泛的应用，如人流量检测，交通智能监控系统等。　　 论文就运动目标分类中的两项重要技术——特征提取和分类器的设计分别进行了研究，并设计实现了一套运动目标分类的软件系统。本文对四类运动目标进行了分类实验，这四类目标分别是：人，车，自行车和摩托车。在分类器的设计中分别设计了基于支持向量机分类算法和AdaboosT分类算法的两种分类器。由于两种分类算法都是用于解决两类分类问题的，因此本文采用了一对一的方法来实现多类的分类。在分类的实验分析阶段采用了正确率，误判率和区分度这几个标准来进展分类优劣的评判，其中区分度是本文引入的一个综合表达分类正确率和误判率的概念。在特征的选取实验中分别就两种不同的分类算法——支持向量机和Adaboost 筛选出各自合适的特征。特征的筛选是依据分类的正确率，误判率和区分度这几个标准进行的。将筛选出的特征和对应的分类器算法结合，对目标样本进行了分类的训练和测试。实验结果显示两种分类器不仅具有较高的分类正确率而且对各类目标具有很高的区分性。