运动目标检测和识别作为视频监控系统的关键一步，是计算机视觉领域的一项关键技术，也是视频分析、视频编码和行为理解等后续处理的基础。通常来说，动态和复杂背景会给运动目标的检测带来困难；而且考虑到目前图像采集设备的分辨率限制，会使得检测的图像清晰度影响后续的识别，为了获得更高的清晰度，超分辨率恢复是一种常用的技术。在运动目标检测中，基于颜色特征的方法容易受到光照和阴影的影响，导致检测的目标中含有大量阴影；而基于纹理的方法容易产生检测空洞。针对这种情况，提出了一种融合的策略，将纹理和颜色检测的优势结合起来，其中纹理目标的检测主要利用可控核来建立背景纹理字典，根据纹理重建偏差来执行检测；融合策略主要是基于目标的边缘和阴影位置，平滑的边缘被视为目标真边缘，根据融合的边缘来得到最终的目标。在图像超分辨率恢复中，基于重建的方法容易受到低分辨率图像数量的影响，当输入低分辨率图像数量有限时，容易产生过平滑的效果，丢失重要的信息；稀疏表示作为基于学习的超分辨率算法的一个重要分支，是目前比较常见的解决超分辨率问题的办法。本文介绍了一种基于梯度特征独立字典学习的稀疏表示超分辨率算法，只需要输入单幅图像就可以执行超分辨率恢复，利用图像梯度特征来表征低分辨率图像的特征，提高了特征描述的鲁棒性，然后以一种独立字典学习的方法来分别训练低分辨率和高分辨率字典，获得了较好的实验效果。通过使用不同实验背景下的视频序列来验证提出的算法，其中，运动目标检测算法能够较好的应对复杂背景，并且具有较好的阴影去除效果，在正检率和相似度等性能指标下都优于传统的检测算法；提出的超分辨率恢复算法，无论在定性还是定量指标上都优于插值、反向投影及传统的稀疏表示超分辨算法。