在计算机视觉领域当中，前景目标检测是一个非常重要的分支。其检测的准确与否对于之后无论是跟踪，学习，识别来说有着非常大的影响。前景目标在运动过程中，其形状、所处环境、遮挡等因素都会给目标的检测结果带来各种影响。一般来说，对于前景目标的检测可以分为两大分支：固定摄像头下和移动摄像头下的前景检测。在固定摄像过程中，视频中的背景一般较为稳定，摄像头本身也不存在移动或存在很少的移动，因此对背景建模比较简单。一般来说固定摄像的前景检测技术可以分为两类：参数模型和非参数模型。参数模型采用概率模型来进行像素点的分类，非参数模型则利用样本直接进行像素点的分类。在移动摄像过程中，由于摄像头的不断移动，因此很难对背景进行稳定的建模，一般采用运动补偿，轨迹分类等手段结合固定摄像中的技术手段来进行前景提取。本文首先对于近些年来的前景技术进行归纳和总结，之后的研究内容包括以下两个方面：1．对于固定摄像，本文着重研究了这几年兴起的VIBE算法，在研究分析这些算法之后提出了一种改进的VIBE算法。该算法舍弃了原先的RGB图像信息，采取了HSV信息并且针对视频中因往复运动产生的噪声现象提出了一种新的算法，降低了视频中运动目标检测的误判率。2．对于移动摄像本文并提出了一种基于光流的前景检测算法，并且采用了MRF-MAP和超像素两种方法对其进行结果增强，从而实现了对移动摄像头拍摄的视频中运动目标的精确检测，该方法不需要知道摄像头的移动方向，也不需要对其移动轨迹进行建模，因此是一种无先验知识的分类。