在计算机视觉中,运动目标检测是一个基本问题,它的主要任务是在连续的视频帧中提取出运动目标。在车辆导航、场景理解、工业机器人技术、智能交通等众多领域中都应用到了运动目标检测技术。在过去的几十年里,专家学者在运动目标检测方面的研究成果显著。但在实际应用中,由于环境的不确定性,会对场景和光照的变化敏感,也会受到遮挡、雨雪等恶劣天气因素的影响,运动目标检测仍然是一个具有挑战性的课题。近年来,基于低秩稀疏因子分解的方法在运动目标检测上得到了很好地应用,并且随着热红外、深度传感器等技术的迅速发展,多模态运动目标检测也备受关注。因此,本文研究了一种基于低秩稀疏分解的多尺度多模态运动目标检测方法,针对以下问题进行了研究与探索,内容如下:(1)针对当前运动目标检测方法检测结果边界粗糙、不完整和对噪声敏感的问题,提出了基于多尺度低秩稀疏分解的运动目标检测方法。本文在基于低秩稀疏分解框架中,将表示视频帧序列的矩阵分解为低秩背景矩阵和稀疏前景矩阵。本文在此基础上提出对前景执行多尺度结构下的外观一致性和空间紧凑性约束,从而更好的恢复背景和前景。同时,基于不同尺度的超像素分割呈现的多样性,本文提出执行不同尺度下的超像素内各个像素点间的一致性来引入空间紧凑性。另外,相同外观的像素点易被划分在一个超像素块中,因此该策略可以促进外观一致性。为了提高和优化算法的计算效率,本文还设计了一种低秩分解方案。通过在公共数据集GTFD和CDnet上的实验结果分析可得,和对比实验方法相比,本文提出的方法具有更大的性能优势。(2)针对恶劣天气、夜晚等大气能见度低场景下检测结果差的问题,本文提出了基于低秩稀疏分解多尺度结构的多模态算法用于运动目标检测。可见光摄像机的成像优点是具有清晰的空间结构和纹理、分辨率高、并且具有丰富的颜色特征。但是其缺点也很明显,成像结果易受光线影响,如在大气能见度低的情况下成像质量差,晚上则无法成像。而热红外相机成像来源于目标自身的红外热辐射,其特点是在雨雪、雾霾、黑夜等能见度差的情况下仍能正常成像。因此,在可见光相机成像质量差的情况下,热红外相机可以正常观测目标。但是热红外成像也存在本身的缺点,例如只能看到热轮廓、分辨率较低等。因此,本文通过利用多个模态间的互补信息提出了更加鲁棒的多模态运动目标检测算法。该方法融合了互补异构的数据源,在低秩稀疏分解模型下,引入一个自适应权重来捕获多模态前景检测中不同模态间的协作和异质性。此外,在每个模态中集成了多尺度结构结构下的外观一致性和空间紧凑性约束,以提高检测结果的精度。通过在公共多模态数据集GTFD上的实验结果分析可得,和对比实验方法相比,本文提出的方法具有更大的性能优势。