视频运动对象分割是数字视频处理和计算机视觉的重要研究领域之一，同时也是智能视频监控等关键应用中的核心技术。虽然人们已经做了大量研究工作，但目前还没有一种通用的方法能够有效地将运动前景从背景中分割出来，因此视频序列中运动前景的分割已经成为当前图像处理领域的研究热点。基于高斯混合背景模型（GMM：Gaussian Mixture Model）的算法是基于背景消减法的运动对象分割算法中的经典代表，有着易于实现、对多峰分布背景建模以及背景模型自适应等优点，但其受复杂背景（光线变化，树叶摆动和雨雪天气）的影响，对前景对象的分割效果并不理想，极大地制约了其应用适应性。论文首先介绍了视频对象分割技术发展状况，分析了视频对象分割方法理论，然后深入研究了高斯混合模型和支持向量机的理论及其视频对象分割方法，在此基础上，提出了一种将高斯混合模型与支持向量机（SVM：Support Vector Machine）分类器相结合的算法。该算法的特点是充分利用传统高斯模型的优点，同时弥补高斯混合模型仅采用空域信息进行背景建模的不足，引入基于统计学习理论的支持向量机对前景和背景进行二分类，提高视频对象分割的质量和稳定性。算法首先将视频图像由高斯混合模型做初步二值化分割；同时对有代表性的三帧图像（背景帧、当前帧、当前帧的前一帧）进行网格化分块，从中获取视频时域信息，根据帧间对应块元素的统计量运算得到特征向量。然后，用特征向量训练SVM分类器，并完成核函数的选择和分类器参数寻优，用训练后的分类器进行像素分类，获取对应的前景块和背景块，构成分割模板。最后，将支持向量机分类器得到的分割模板和高斯混合模型分割的结果进行“与”运算, 得到最终分割结果。将本文算法与基于背景消减的帧间差分法、近似中值法和高斯混合模型算法的实验结果进行对比，从主客观两方面做结果评价，实验结果表明本文算法增强了分割质量，能够获得较好的分割效果。该算法特别适合应用于户外视频、道路交通智能监控等具有复杂背景信息的领域。