研究细胞神经网络（CNN）用于视频运动对象分割的原因在于其并行高速的特点和适于图象处理的网络结构。目前已有的CNN芯片的整体运算速度都已达到了Tera级(10¹²),即兆兆级,其对于提高视频处理的速度和实时性是不言而喻的。因此,有必要研究CNN在视频运动分割中的应用及其相关算法。 本文讨论了细胞神经网络用于视频运动分割研究的意义,介绍了现有的视频分割算法以及细胞神经网络在该研究领域的发展动态。根据CNN网络结构特点和数理模型,详细分析了CNN的动态范围和稳定性,并介绍了图象处理中CNN输入与输出的量化方法及基本思想。针对背景相对静止的视频序列,提出了基于CNN差分图象合并的视频分割算法,并构建了与该算法相关的五个CNN模板。针对视频序列中的运动场估算,提出了较为完善的基于CNN的光流场算法,构建了视频序列在空间与时间上差分算法的CNN模板,并讨论分析了速度场在CNN系统中的8比特量化方法。针对背景相对运动是视频序列,提出了基于光流场阈值的CNN视频分割算法。 本文的主要研究贡献有: 1.提出基于CNN差分图象合并的视频分割算法。本算法是针对背景静上的视频序列的运动分割,算法的原理属于变化区域检测法。与即有同类算法相比,由于本算法直接面向灰度图象,可获得更多的运动信息,进而使运动对象分割具有更好的精确性和语义性。 2.构建了五个用于图象处理的标准CNN模板。为了实现基于CNN差分图象合并的视频分割算法,构建了五个标准CNN模板,分别是负片模板、标量加合模板、边缘检测模板、膨胀模板与目标分割模板。这五个模板不仅可用于该算法,也可用于其他CNN图象处理中,使CNN用于图象