随着我国农业的发展,大田经济作物安全问题越来越重要,但大田环境复杂,动态背景不连续又存在草木晃动等高频扰动极易造成漏检、误检。大田场景除了易受光照和草木不规则晃动扰动等环境因素影响,在监控视频的大范围画面中,运动目标显示小也增加了检测难度,很多运动目标检测算法在简单场景下效果较好,但在大田场景下误检率高,且运动目标检测是运动目标跟踪的重要基础,故针对大田视频的运动目标检测需进行深入研究。本文研究了基于时域的运动目标检测方法和基于视觉注意力的空间显著性检测,在此基础上研究并提出了一种融合时空显著性的大田视频运动目标检测方法,本文主要研究内容和结论如下:(1)基于时域的运动目标检测方法研究针对目前大田视频运动目标检测误检率高的问题,首先研究基于时域的运动目标检测的三大类方法,并着重研究两种具体的背景差分算法,包括研究混合高斯建模方法以用于后续对比试验,研究视觉背景提取算法并分析了其优缺点用于后续改进,视觉背景提取算法性能优越效果好,但易产生噪点和空洞,后续可对其改进以得到时间显著图。(2)基于视觉注意力的空间显著性检测针对基于时域的运动目标检测方法的缺点,从空间角度研究视觉注意力机制和空间显著性检测方法,研究不同原理的空间显著性检测方法,主要有基于情景感知、直方图对比和密集稀疏重建的方法。研究并提出将密集稀疏重建的方法用于大田空间显著性检测,实验结果表明,密集稀疏重建的方法可以在大田环境下得到更好的空间显著图。(3)基于时空显著性融合的大田视频运动目标检测方法在时域运动目标检测研究和空间显著性检测的基础上,本文研究并提出一种时空显著性融合的大田视频运动目标检测方法。首先,在密集稀疏重建方法计算出大田空间显著性的基础上,结合空间显著性来改进视觉背景提取算法从而计算时间显著性,然后用贝叶斯融合法进行时空显著性融合最终提取出运动目标。实验结果表明,本文提出的运动目标检测算法在富有挑战性干扰因素的复杂场景下体现出较高的鲁棒性,在检测所用的5组视频中,涉及到枝叶摇曳、摄像头轻微晃动、光照等,从效果对比、运动目标检测的准确性以及前景目标检测的完整性3个角度对实验结果进行分析,最终检测的平均准确率达到92.15%,平均召回率达到90.75%,优于其他同类算法。