在计算机视觉领域，背景减除法被广泛应用于分割视频序列中的运动目标。随着计算机视觉应用的高速发展，早期单纯基于时间域分割的单模态背景减除方法已经无法满足日益复杂的场景变化。自组织背景减除（SOBS）方法采用多个神经元共同模拟背景像素的分布，并通过递归地传播上下文实现时空域上的结合，该方法在很多视频场景中都具有良好的检测性能。然而，自组织背景减除方法也存在着参数设置困难，对离散背景变化适应能力差的缺点。本研究提出了一种自适应的方法对自组织背景减除法存在的不足进行了改进。由于自组织背景减除法过于依赖初始的参数设置，因此本研究提出的自适应方法根据检测过程中的反馈信息自适应地调节模型更新率。该方法不需要经验地选择校准帧，从而简化了繁琐的参数设置过程，并有效地提高了神经元的收敛速度。本研究分别采用基于局部梯度变化检测的像素级验证方法与基于前景轮廓匹配的物体级验证方法解决自组织背景减除法存在的“死锁”及“鬼影”现象。其中，像素级的验证方法能保持背景模型的空间连续性，因此该方法更加稳定。而物体级验证方法在鬼影移除方面的效率更高，但同时完全离散的更新策略会破坏背景模型的连续性，从而造成模型稳定性的损失。实验证明，物体级验证方法在存在离散背景变化的视频序列中获得了更高的检测精度。然而对于稳定变化的视频场景，像素级的验证方法则更具优势。这两种方法均能够提高自组织背景减除方法对背景变化的自适应能力。