智能监控图像内容分析研究过程可以分四个阶段（层次）。
一是将（运动）目标从图像中分离出来。在简单单纯的背景环境下针对单目标进行目标分类；
二是在简单环境下、目标状态、行为的分析，比如运动方向、方式、目标的复合或离散；进而实现发现和告警异常的行为；实现产生目标运动轨迹，实现目标的自动跟踪以及目标行为的统计、关联、过滤、趋势预测等，这是目前视频监控领域主要的应用；
三是在复杂环境下，也就是通常的视频监控环境，实现上述功能，进行(单源、多源)图像的关联，这也是视频监控图像内容分析走向实用的关键；
四是视频语义的解释，通过对图像序列的理解，生成图像视频语义的文件（与图像信息相对应），目前看在大数据的不断走向成熟，海量数据是视频语义解释的基础。
前三阶段称为视频半语义解释，主要是判断图像中是否出现“不正常”情况，不能充分、准确地理解图像内容。最后一种视频语义解释是图像内容分析的最高境界，是大数据的基础，还有很多技术要解决。
目前，视频监控图像结构和内容的描述还需目视解释的帮助。视频监控智能化也是逐步发展的过程，不会一蹴而就，也没有终极的结果，要经过不断的积累和技术突破。需要指出的是视频监控智能化已经实现的观点是不正确的，希望它能解决目前监控系统的所有问题和不足也不现实。同时也要强调智能应用一定要有人的智慧参与，切忌把智能变成傻瓜的代名词。
