由于受到传感器自身性能的限制,在面临快速、低曝光等环境下传统相机无法采集到质量较好的原始图像,因此传统视觉算法的性能在特殊环境下会受到严重的影响。事件相机作为一种新型传感器,具有快速响应、低延迟和高动态范围等特性,对相关问题的解决有所帮助。然而,事件相机记录的主要内容是一个个包含像素亮度改变、发生位置与时间的“事件点”,传统视觉算法难以对其兼容。当相机自身不发生运动时,事件相机只关注运动的物体,如果将较短时间内的事件流以其发生位置进行展示,通常表现为运动物体的边缘。但是,当相机自身也发生运动时,场景信息也会一同被记录下来,难以区分其运动前景与背景信息。本文利用事件相机的低光照感知特性,提出了一套基于事件相机的运动分割算法,其由三部分组成:第一部分为模型自适应选择模块,通过比较事件相机记录的事件信息与基于帧的传统视觉图像在边缘上的差异,判断所记录的传统视觉图像是否能提供可靠的信息;第二部分为光流预测模块,其通过基于传统视觉图像的APS域光流预测模型与基于事件信息的Event域光流预测模型组成,分别用于在传统视觉图像较优的情况下与不良的情况下提供场景与运动物体的大致运动方向与速度等光流信息;第三部分为概率融合模块,其赋以每个事件点一个初始概率,利用前述得到的光流信息对事件点位置进行扭曲,利用对比度原则调整光流,并在该过程中融合事件点的概率,用于筛选前景与背景事件点。此部分还设计了一个后处理算法用于去除掉前景事件中的噪声与未完全去除的背景信息,得到最终的运动分割结果。在实验部分,本文设计了一套检测流程,用于确定运动分割结果所得到的前景物体的边界框。实验表明,在光照较好的情况下,该算法得到的运动物体的边界框可以比常规追踪算法取得更高的平均交并比;在光照较差,无法获取可靠的传统视觉图像的情况下,仅利用事件信息,该算法仍然可以在一定程度上得到可靠的运动分割结果。