随着红外成像器件的发展,红外图像越来越多地用于目标检测、识别等各个领域,包括运动目标的识别与跟踪等。序列图像中运动物体的检测与分析是利用序列图像的时间和空间相关性将运动物体从静止场景中分离出来并进行动态分析的过程。图像光流的计算不需要在图像序列中建立特征之间的对应关系,因此光流法在计算机视觉的众多领域,包括运动物体的检测和动态分析方面都有广泛的应用。一般地,红外图像具有较大的随机噪声和非均匀性干扰,而传统的光流法是基于图像强度数据的,因此光流法很少用于红外图像中目标的检测与分析。我们充分结合红外序列图像和光流场模型的优点,提出一种有监督学习的基于帧间图像差异显著性检验和最小代价贝叶斯判别准则的运动目标检测算法。该算法针对获取检测门限的困难和随意性,通过人工参与学习,依据最小代价贝叶斯判别准则,求出一个运动区域分割门限,并将这个门限用于后续图像中运动区域的检测。另外,还进一步在运动区域预检验的基础上,对运动区域进行区域标记、局部分割等处理,从而实现了运动目标的检测,取得了较好的效果。将这个算法与光流场的计算相结合,大大减少了运算量,提高了运算速度。在运动目标检测的基础上,我们还对运动目标动态分析做了一定的研究,提出了一种基于知识表示与场景建模的动态红外图像分析方法,能有效的利用序列图像全局建模进行红外序列图像中的运动目标的跟踪和某些特性判别以及行为分析,并在文章末对有待进一步研究的内容与方向做了总结。