序列图像中的运动目标检测是计算机视觉与模式识别领域方兴未艾的课题之一，该技术在机器人导航、智能视频监控系统以及视频图像分析等领域均有广泛应用。本文围绕运动目标检测中的统计背景建模算法展开研究。统计背景建模算法分为参数化与非参数化两种。参数化算法假设模型已知，把对背景的估计转化为对参数的估计。作为参数化算法的典型代表，论文深入讨论了传统混合高斯模型MOG的基本思想与算法流程，分析了MOG不能快速收敛的原因，阐述了两种阴影检测机理。针对MOG的不足，论文提出了改进的混合高斯模型MOG1。MOG1引入了前景模型与新的背景更新机制，使突然静止的运动物体迅速融入背景，有效地提高了背景收敛的速度。同时为了提高检测的准确性，提出了在归一化颜色空间(I,g,r)进行阴影检测的新算法。实验证明，(I,g,r)与HSV效果相当，而在光线突变时有明显的改进。在非参数化背景建模方面，论文首先讨论了核密度估计的算法原理；定性分析了样本数量与窗宽对估计结果的影响。然后从MISE及AMISE角度出发，定量分析了窗宽的作用，给出了窗宽选择的一般公式、两种方法，即简单快速的窗宽选择方法与交叉验证的方法。论文详细论述了高斯核密度估计；深入研究了利用绝对差中位数求取窗宽的四分位点法。针对分位点法与样本数目无关的缺点，论文在正态密度下推导了一个以样本数为参数的简单快速的窗宽选择公式，并将公式推广到任意密度下，结合导函数平方积分R(f")的两种逼近，即二阶导卷积与核密度估计，提出了一种更普适的窗宽选择算法。新算法为了降低复杂度，提出中间步骤Ψr(g)的在线版本，加速了R(f")的核密度估计(O(n2)到O(n)))，进而求得窗宽hAMISE。实验证明算法在保证实时性的同时，在目标检测与阴影消除方面效果甚佳。论文多处对计算的简化达到了实时应用的目的。