运动目标检测是计算机视觉领域的热门研究方向,广泛应用于智能视觉监控、智能交通等领域。由于现实场景中存在光照变化、镜头抖动等多种干扰因素,研究高精度和强鲁棒性的运动目标检测算法具有重要意义。近年来复杂网络理论被应用到图像处理和计算机视觉领域,取得了理想的研究成果。本文围绕基于复杂网络理论的运动目标检测算法展开研究,具体工作有如下三个方面。（1）提出了一种基于属性网络的图像分割算法（SAINS）。首先对图像应用K-means聚类算法进行预分割,将预分割区域作为网络节点,同时考虑节点间的联系和节点本身的特征构建属性网络。然后应用轮廓系数法对SA-Cluster算法进行改进,使得SA-Cluster算法能自适应划分图像网络。最后应用改进的SA-Cluster算法对构建的属性网络进行社团划分,完成图像分割。该方法弥补了现有的应用复杂网络进行图像分割的方法仅考虑节点间联系,忽略节点特征的不足。实验表明SAINS算法的图像分割精度高于只考虑网络结构的图像分割框架算法GFCNIS和LDCS算法。（2）对本文构建的图像网络G3096、G8068、G24063以及G118035进行网络节点重要性评价。应用复杂网络理论中度中心性、介数中心性、接近中心性以及特征向量中心性分别计算出图像网络节点重要性指标值,并将节点重要性指标值由大到小排序,对位于前面的节点所代表的图像区域进行可视化。通过分析,发现度中心性、介数中心性以及接近中心性这三个重要性指标值越大的节点描绘图像前景轮廓信息的能力越强。说明利用这三个评估指标可以对本文构建的图像网络节点重要性进行有效的评估,也为发现图像中的兴趣区域提供了新思路,为运动目标检测提供了新视角。（3）提出了一种基于属性网络的运动目标检测算法（IAN-MOD）。首先对视频帧应用K-means++算法进行预分割,以预分割区域为节点,通过度量区域间颜色相似性建立视频帧无权网络,并结合节点重要性指标中的度中心性构建视频帧属性网络。通过节点的属性确定运动目标候选节点,并利用候选节点的属性差值得到运动目标候选区域检测结果。最后应用Vibe算法和Lsc超像素分割算法对运动目标候选区域进行修正。实验表明,本文IAN-MOD算法在有光照变化、镜头抖动的情况下检测效果较好。