智能監控圖像內容分析研究過程可以分四個階段（層次）。一是將（運動）目標從圖像中分離出來。在簡單單純的背景環境下針對單目標進行目標分類；

二是在簡單環境下、目標狀態、行為的分析，比如運動方向、方式、目標的復合或離散；進而實現發現和告警異常的行為；實現產生目標運動軌跡，實現目標的自動跟蹤以及目標行為的統計、關聯、過濾、趨勢預測等，這是目前視頻監控領域主要的應用；

三是在復雜環境下，也就是通常的視頻監控環境，實現上述功能，進行(單源、多源)圖像的關聯，這也是視頻監控圖像內容分析走向實用的關鍵；

四是視頻語義的解釋，通過對圖像序列的理解，生成圖像視頻語義的文件（與圖像信息相對應），目前看在大數據的不斷走向成熟，海量數據是視頻語義解釋的基礎。

前三階段稱為視頻半語義解釋，主要是判斷圖像中是否出現“不正?！鼻闆r，不能充分、準確地理解圖像內容。最后一種視頻語義解釋是圖像內容分析的最高境界，是大數據的基礎，還有很多技術要解決。

目前，視頻監控圖像結構和內容的描述還需目視解釋的幫助。視頻監控智能化也是逐步發展的過程，不會一蹴而就，也沒有終極的結果，要經過不斷的積累和技術突破。需要指出的是視頻監控智能化已經實現的觀點是不正確的，希望它能解決目前監控系統的所有問題和不足也不現實。同時也要強調智能應用一定要有人的智慧參與，切忌把智能變成傻瓜的代名詞。