随着视频分析技术的快速发展,视频运动目标检测技术具有相当广泛的实际应用价值,不仅在人口密集与流动量较大的学校、机场、生活小区、大型购物商城等日常生活领域,而且在交通监控、军事安防、医学细胞等领域也倍受学者关注。目前,学者相继提出了许多运动目标检测算法,但是,各种算法都具有一定的局限性。有些算法虽然能够检测出较完整的运动目标,但受光照突变和噪声的影响较大;有些算法能够在一定程度上消除上述问题,但其计算量大,处理速度缓慢,不能达到目标检测的实时性需求,因此,寻找一种准确度高、处理速度快、实时性好的目标检测算法是我们所面临的一项重要挑战。本文的主要研究内容如下:首先,研究了数字图像处理技术中的灰度化、图像滤波、阈值化、特征提取、形态学处理、连通性分析及最大类间方差法等基础理论知识,并研究了三类经典的目标检测方法:光流法、背景减除法及帧间差分法,针对背景减除法介绍了五种常见的背景建模方法。通过不同算法的性能对比,本文选用基于高斯混合建模的背景减除法和三帧差分法来建立运动目标模型。其次,鉴于传统高斯混合模型在背景初始建立、噪声干扰时鲁棒性不高,易造成检测错误等问题,先提出了一种自适应更新速率的高斯混合模型,然后利用LBP纹理特征对背景模型再次更新,得到更真实的背景。对于三帧差分法在目标检测中存在空洞和目标边缘不完整的问题,提出了融合六帧差分和Sobel边缘特征的改进方法。最后,由于前面改进后的两种算法对复杂场景的适应性和光照突变的敏感性具有互补的特点,因此,将两种改进的算法进行联合,构建了一种高效的目标模型。不同场景的视频检测结果证明,本文算法有效克服了光照突变、噪声干扰、空洞等现象,与同类算法相比,具有更高的检测准确度和鲁棒性。