动态目标检测作为智能视频监控中最基础和最关键的一步,直接影响了一个智能视频监控系统的适用性,是计算机视觉领域备受关注的前沿课题,目前已取得丰硕成果。但由于场景复杂多变,从视频中提取出准确的前景信息依然面临诸多挑战。研究如何提升动态目标检测的效果,具有重要的理论意义和广泛的应用价值。本文围绕在有阴影、鬼影、局部光照变化、相机抖动等挑战性场景中动态目标检测效果不佳的问题,展开了深入地研究。从不同的研究方法着手,提出了两种动态目标检测改进算法。通过对室内外测试视频进行实验,并与其它算法对比,验证了本文算法的有效性。主要工作如下：1.针对ViBe算法对鬼影抑制和阴影去除效果不佳的问题,提出一种基于双背景模型的改进ViBe算法。缓存视频前K帧图像,利用随机抽样和改进均值法构建两个背景模型：前景检测模型和阴影检测模型,分别用于前景检测和阴影去除。前景检测环节扩大样本的抽取范围,增强前景检测模型可靠度,抑制鬼影；与最小匹配数比较,减少计算量；替换虚假样本完成前景检测模型的更新。阴影去除环节将前景检测所得感兴趣前景区域与阴影检测模型比较,结合快速归一化互相关函数和局部二值模式(LBP)纹理特征信息检测阴影并消除,提升检测效果。实验结果表明,改进算法能有效抑制鬼影,消除阴影干扰,检测结果更加精确。2.传统混合高斯模型只使用颜色特征作为动态目标检测的依据,往往会造成检测结果不完整、对局部光照变化场景检测效果不佳、对相机抖动敏感等问题。为此,本文提出一种基于区域组合特征的动态目标检测方法。首先将区域的纹理、颜色、位置特征组合成统一的特征向量,然后对每个像素的组合特征混合高斯建模,最后通过背景差分法检测运动前景。实验结果表明,改进算法能提升检测效果,并满足实时性要求。