近年来,交通场景中的智能视频监控逐渐成为计算机视觉研究领域的热点,而目标检测与分类则是智能视频监控的两个核心问题,但由于交通场景的复杂性、天气状况的多样性、以及车辆遮挡和光线变化等原因,现有的目标检测与分类技术往往难以获取较好的效果。本文针对交通视频监控中的目标检测和分类问题进行了研究,主要工作包括以下内容:首先,提出了一种基于三帧图像的背景建模方法,用来对前景目标进行分割提取;然后,根据交通场景的特点,提出了基于Blob分析的车辆分割和合并算法;接着,根据车辆和行人的形状特征,利用多类支持向量机将其分成大型车、小型车、自行车和行人四类;最后,设计并实现了交通监控原型系统BuptSurveillance的目标检测和分类模块,并在不同时间段的实时交通监控中进行验证。实验结果说明了本文的目标检测和分类算法的准确性和稳定性。