在计算机视觉领域,运动物体的正确检测是监控系统和智能交通系统不可或缺的组成部分。运动阴影伴随运动物体产生,与运动物体相同的运动模式和明显区别于背景的外观,给运动物体检测带来诸多问题。许多研究和应用如行为分析、物体识别、物体跟踪等,在正确分割运动物体与其阴影后能得到更具鲁棒性的结果。因此运动物体及其阴影检测与分离是计算机视觉领域一项重要的研究课题。由于运动物体与阴影具有相似的颜色特征以及运动物体位于其他运动物体投影中会给运动物体与其阴影的正确分离带来一定困难,因此运动物体与其阴影正确分离是一项非常具有挑战性的研究课题。本文针对运动物体及其阴影检测与分离进行研究,主要内容包括以下两个方面:针对运动物体或其阴影与背景颜色相似以及背景运动问题,提出一种基于多特征与双背景模型的运动区域检测方法。该算法首先利用颜色特征、纹理特征、光流轨迹的时间统计信息建立背景的统计模型,基于背景像素时间一致性假设和背景聚类于统计模型中一个或多个分布的特点建立鲁棒的背景模型,最后根据背景期望值与像素观察值的匹配分数提取运动区域。基于自拍图像序列和公开数据库提供的视频,利用召回率与准确率评估参数以及与真实值对比验证方法的有效性。实验结果表明基于多特征与双背景模型的背景相减算法能提高在运动物体与背景颜色相似及背景运动情形下运动区域检测的正确率。针对运动物体与阴影颜色相似以及运动物体沉浸于其他运动物体阴影里的难题,提出一种基于亮度比和运动模式的运动物体及其阴影分离算法。该方法利用阴影在亮度比(brightness ratio,BR)空间满足的空间平滑一致性特征,对运动区域进行分割,再利用亮度比高斯分布分割潜在的阴影区域并利用每帧图像阴影像素更新亮度比模型。基于运动物体与其阴影具有相同的运动模式和相对不变的位置关系,利用SIFT(scale invariant feature transform)流模式优化阴影区域。通过自拍室外场景实验、公开数据集实验以及与现有方法对比实验验证方法的有效性。结果表明基于亮度比和运动模式的运动物体及其阴影分离算法,在运动物体与其阴影颜色相似和运动物体位于其他运动物体阴影情形下能有效地分离运动物体及其阴影。