数字图象处理和计算机视觉是近年来发展十分迅速的研究领域，目前正广泛地应用于民用及军用等许多方面。目标检测与识别技术是该领域非常活跃的课题之一。本文主要对运动目标检测与识别的算法进行了研究与改进，通过MATLAB对本文的算法进行实现，验证算法的正确性与有效性。　　运动目标检测与识别技术分为三部分进行研究。首先，研究了运动目标检测的方法。将常用的检测方法分为静态背景和动态背景下的运动目标检测。在静态背景下，研究了帧差法和背景相减法，从原理到步骤都进行了较详细的介绍，并给出了实验结果，结合实验结果分析了两种方法的优缺点和适用的范围；在动态背景下，研究了基于光流法估计的背景补偿方法，并给出了摄像机六参数模型，详细介绍了光流法的原理和解算思路，实现了背景补偿后的动态背景下的运动目标检测。　　其次，研究了特征提取的方法。物体的特征主要分两大类：物理特征和数学特征。物理特征便于人眼识别，简单、直观，本文分析了其中具有代表性的边缘特征，详细介绍了常用的经典算子：Robert、Sobel、Prewitt和LOG，并通过仿真对比了各种算子的优缺点，在此基础上提出了一种基于数学形态学的多尺度多结构元素的边缘特征提取方法；数学特征利于计算机识别，随着机器视觉的发展，也引起了更多学者关注，本文研究目前较有效的不变矩特征，分析了区域矩、边界矩和仿射不变矩，并结合Hu不变矩的平移、旋转和缩放不变性，边界矩提取的快速性及仿射不变矩的仿射不变性优点，构造了本文的组合不变矩特征，并提出了对边缘二值图提取组合不变矩的特征提取方法。建立目标图像样本库，提取了部分样本库图像的组合矩特征参数。　　最后，研究了基于BP神经网络的目标识别方法。介绍了BP网络原理、结构和算法，设计了BP神经网络分类器，对其进行初始化并确定其学习规则，通过不同训练函数的仿真误差对比，确定适合本文目标识别的训练函数。把提取的组合矩不变量作为设计好的分类器的输入，对目标图像进行训练，实现了对待测目标图像的分类识别。