视频运动目标检测是计算机视觉研究领域的热门课题之一，它在技术上涉及视频图像处理、人工智能及模式识别等问题。在视频监控、交通管理、医疗诊断、图像编码及人机交互领域有着广泛应用，因此具有重要的研究价值。本文针对视频运动目标检测的背景相减法易受光线变化的影响以及视频运动目标优化检测方法的过度平滑问题，在基于马尔科夫随机场的最大后验概率估计框架下，分别采用目标特征跟踪和高阶马尔科夫随机场，提出三种基于图切的视频运动目标检测算法。论文首先提出了基于感兴趣区域的自适应图切检测算法。算法通过卡尔曼预测前景像素数和前景背景邻接像素点数，自适应更新节点流量；通过感兴趣区域的提取，缩小图切范围，减少计算的节点数目，从而降低时间复杂度；同时，在感兴趣区域内对节点流量参数进行优化，提高了运动目标的检测精度。目前的优化视频运动目标检测算法大多是基于低阶马尔科夫随机场模型。本文研究了基于高阶马尔科夫随机场的视频运动目标检测方法，并提出了两种具体的检测算法。第一种是通过引入欧拉弹力模型修正目标边界曲线，改善检测目标的人眼视觉连续性，提高视频运动目标的检测精度；第二种是通过跟踪视频运动目标的面积、边缘及形状特征，建立面向视频运动目标形状特征的高阶马尔科夫随机场模型，优化图模型的节点流量参数，实现视频运动目标的连续全局优化检测。基于感兴趣区域的图切检测算法重点在于能够自适应检测，消除背景干扰，降低检测时间。基于高阶马尔科夫随机场检测算法则是从多像素之间的高阶能量关系进行分析，运动目标细节方面的检测精度明显提高。通过实验验证，本文提出的三种基于图切的检测算法，不仅在静态背景下能很好的检测视频运动目标，同时在动态喷泉、光照变化及水面波动等复杂场景下，也能获得良好的检测指标。