计算机智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前言课题，是计算机科学、机器视觉、图像工程、模式识别、人工智能等多学科高科技的结晶。运动物体视觉分析作为智能监控中的一项核心技术，它包括运动物体检测与提取、物体分类、事件检测、行为识别和分析等，而运动物体检测与提取又是其中的基础和关键。在运动物体检测与提取中，阴影的存在会导致物体的错误分类或者使不同物体相互融合，为后续的高级处理带来错误的结果，导致不能够很好的跟踪物体以及对物体的行为进行理解和描述。 本文在总结和分析了国内外相关研究的基础上，分别在前景区域检测与提取、运动物体的阴影检测与去除及目标跟踪技术三个方面作了一定的研究： 1)在前景区域检测与提取中，讨论各种常用的背景提取方法原理时，着重分析了混合高斯背景建模方法，指出减背景技术中存在分割阈值难以合理选取的不足。选用混合高斯前景建模的方法来实现运动目标检测，从而避开分割阈值难以选取这一难题。为了防止漏检，本文改进了混合前景建模方法，增加了判断为前景点的条件并与原有条件采用“或”策略，所以也产生了部分假前景，但经过精心的后处理，获得的前景图不仅好于处理前，而且也明显优于混合高斯背景建模再采用减背景技术获得的前景图。 2)在阴影检测与去除方面，首先介绍了本文阴影检测中用到的相关理论基础，包括形态学处理、光流计算和运动目标阴影的特性，然后分析了HSV颜色空间去阴影方法不能有效消除微弱阴影和虚影的原因。针对HSV法的不足，本文提出了一种在HSV法的基础上应用光流法来提高阴影检测精度的方法，实验结果证明了该方法的有效性和实时性。 3)在运动目标跟踪方面，讨论了Camshift跟踪算法的原理，分析了初始窗口的大小对于概率分布图的影响。在利用相关文献提出的加权直方图改善概率分布图的同时，为了彻底消除非运动区域亦具有概率分布值的影响，本文提出了一种利用二值化前景图进一步修正概率分布图的改进Camshift算法。