随着互联网和数字信息技术的发展，视频图像处理技术作为直观、接受性强的信息获取方式之一，得到了社会各个领域的重视和应用。运动目标检测技术是对视频图像序列中的运动目标或感兴趣区域进行检测分离，以便进行后续更高层次的操作，如目标的识别分类或行为认知。在现实生产生活中，运动目标检测被广泛应用于智能监控、工业设计、医疗检测、人机交互、甚至是军事导弹制导等。但在实际应用中往往存在着动态的场景，如流动水波、摇动树叶，还有多变的光照条件等。所以对于复杂背景下的运动目标检测的研究，一直以来都是具有挑战性的课题，受研究人员的高度关注。本文针对复杂背景下的运动目标检测，提出了两种基于背景差分法的算法，具体研究内容如下：
　　1.基于模糊颜色聚合向量的运动目标检测方法。背景差分法最重要的就是建立一个稳定良好的背景模型，使得在对输入图像序列与背景的相似度比较时，可以得到良好的表现，相似度的对比测量采用直方图距离的方法。颜色聚合向量（CCV）包含图像颜色分布信息和和颜色局部空间信息，所以它能够克服传统颜色直方图代表物体的不足。在复杂背景下，针对图像的多样性和不确定性，本文提出了基于模糊颜色聚合向量的运动目标检测，该方法首先对颜色聚合子向量和非聚合子向量应用模糊C均值聚类（FCM），得到特征模型 FCCV。它利用 FCM运算中得到模糊隶属矩阵，对于图像序列中每个像素点构造一个区域性的模糊数据特征。检测特征矢量是从连续帧中提取的，用来建立背景模型和检测目标。通过对视频图像序列的仿真实验，验证了提出方法在复杂背景下对运动目标的有效检测表现。
　　2.基于颜色自相关图模型与边缘检测相结合的一种运动目标检测方法。针对在复杂动态背景下，简单地构建背景模型进行前景区分不能很好的得到有效结果，本文提出了一种与边缘检测结合的方法。首先，提取背景帧和当前帧包含空间信息和统计信息的颜色自相关图，进行相似度比较，得到初步的运动目标的粗检测结果；同时，对两帧用Canny检测算子进行边缘检测，得到两帧的边缘结果，再进行差分运算，取得运动目标的粗轮廓；然后将两次粗检测结果进行融合，最后经过形态学操作，可以得到良好的运动目标检测结果。实验表明，这种方法在复杂背景下对前景目标的检测有着不错的效果。