随着视频监控需求的迅速增长、监控规模的日益扩大，现有技术手段和人力很难保证及时性和有效性，远远不能满足监控要求，因此对智能视频监控系统的需求变得越来越迫切。智能视频监控是利用计算机视觉和图像处理的方法对将获取的图像序列进行运动检测、运动目标分类、运动目标跟踪以及对监视场景中目标行为进行理解与描述，进而为监控者提供有用的关键信息。目前，智能视频监控已得到国内外学者的广泛关注，并展开了深入研究。但由于智能视频监控涉及的学科广泛、面临问题和应用背景复杂，至今仍处于探索阶段。研究具有鲁棒性、高精度和实时性的智能视频分析算法是构建智能视频监控系统的关键，有着重要的理论意义和很高的实用价值。本文针对智能视频监控中的核心关键技术，包括：图像特征的选择，目标检测、目标跟踪与目标识别等，进行了系统深入的研究，主要工作及创新如下：（1）针对现有约简算法抗噪性能较差问题，本文提出了一种具有抗噪性能的粗糙集近似约简算法，并将其引入到图像特征描述中。提出的近似约简算法通过放松对约简条件的限制，实现了约简过程中对噪声的抑制，使得约简后的特征更加精简。通过该约简算法，有效的实现了对SIFT特征的约简，去除了SIFT特征中的冗余信息，提高了基于SIFT特征匹配算法的效率和精度。（2）针对红外视频图像的行人检测，提出了一种基于粗糙集和MB-LBP特征的快速行人检测算法。该算法通过搜索和合并图像中的关键点来分割感兴趣区域，提高了算法的效率；用MB-LBP特征来表示感兴趣区域，通过粗糙集近似约简算法对对MB-LBP特征降维，进一步提高了算法的检测速度和性能，适合实际应用中的快速处理。特别是，该算法对可见光视频图像的行人检测也适用，增强了算法的鲁棒性。（3）针对视频跟踪中的非刚性特征匹配问题，提出了一种基于几何约束的约简SIFT特征非刚性匹配算法。该算法定义了以SIFT特征之间相似性为基础的匹配评价函数，评价函数中综合考虑了在匹配过程中特征点之间的几何距离约束、薄板样条非刚性几何变换约束以及匹配矩阵的熵值约束。在此基础上，通过把图像特征点集匹配转化为评价函数优化问题，并通过确定性退火的迭代寻优方法对问题进行求解，在每次迭代中直接求解特征之间的匹配与变换关系，获取问题的最优匹配结果。在此匹配算法基础上，提出了基于约简SIFT特征的非刚性目标跟踪方案，通过与目标运动估计的结合，较好地解决了基于特征的跟踪方法中存在的目标特征选择、描述、匹配，以及跟踪过程中目标部分遮挡及短时间完全遮挡问题。（4）针对智能视频监控中的目标识别问题，提出了一种面向识别的特征集网络目标建模方法。该方法以不变局部特征为基础，首先构建描述目标的目标特征集，然后以目标特征集为网络节点，以特征集之间的相似性为节点连接线建立目标特征集网络。该特征集网络模型有效地描述了在不同状态和成像条件下目标的特征，实现了对同一类训练图像目标进行聚类，进而形成目标特征集网络树；此外，特征集网络模型还能够增量地对新目标进行训练学习，为准确的目标识别提供支持。为解决目标特征集网络训练与识别过程中存在的大规模图像目标检索问题，本文利用基于RSOM聚类树的方法对图像目标特征进行聚类以及增量的学习训练，通过目标特征在聚类树中检索，进而快速地得到与目标特征集匹配的候选目标特征集，实现了大规模图像目标条件下的快速检索与目标识别。