视频运动目标检测是计算机视觉领域的一个基本研究内容，其检测结果的优劣对运动目标识别、图像分类等后继处理的影响巨大。常用的视频运动目标参数检测方法，由于其需要假定背景参数模型而限制了该方法对复杂多变自然环境的适应性。相对于参数检测方法，非参数检测方法具有更强的灵活性和环境适应性。因此，本文选择研究复杂背景下视频运动目标的非参数检测方法，并针对拟合优度检验和图像纹理提出了三种新的非参数检测算法：基于拟合优度检验的视频运动目标检测算法，将运动目标的检测问题看成是拟合优度检验问题。假定背景服从高斯混合模型，引入经验分布函数对样本数据进行统计建模，根据这两个模型之间的最大距离来检测运动目标。算法的实现采用了Kolmogorov-Smirnov（KS）检验，这个拟合优度检验正是根据待检测像素样本的经验分布函数和背景分布函数之间的最大距离来检验该待检测像素是否来自于背景，进而可以检测出运动目标。基于最小加权KS检验的视频运动目标检测算法，由于最小加权KS估计具有相合性、稳健性等良好性质，本章采用最小加权KS估计来计算背景模型参数，可以消除背景统计模型的时间限制以及由于小概率事件发生而带来的模型偏差，增强背景模型的鲁棒性。其实现过程采用了基于贝尔曲线的进化优化（Bell-Curve Based evolutionary optimization, BCB）算法来得到背景模型参数的最小加权KS估计。由于BCB算法获取的是背景模型参数空间内的全局最佳值，故运用该算法可以提高背景模型对自然环境的适应性。基于字典学习的可控核回归视频运动目标检测算法，运用可控核回归函数来描述背景纹理，这克服了传统目标检测纹理算子不能在平坦区域有效描述的缺点。使用K均值聚类算法将背景图像分成若干幅具有相似纹理结构的聚类图像，进而采用主分量分析法（PrincipalComponent Analysis , PCA）来提取相应的背景纹理字典。用学习得到的背景纹理字典来重构待检测图像的背景纹理，可以避免环境噪声的干扰，增强背景模型的灵活性和鲁棒性。运动目标检测方案则是利用两个弱检测器串联组成一个强检测器来将运动目标从复杂背景中准确有效地检测出来。一个待检测图像首先通过一个基于像素灰度值的弱检测器来大致提取出待检测图像的运动目标，再进一步通过基于背景纹理字典的弱检测器来比较真实纹理和重构纹理以获取精确的运动目标。使用Water Surface和Waving Trees视频序列的实验仿真结果验证了本文算法的有效性。较于现有的检测算法，本文提出的非参数检测算法有着更好的实验结果和检测性能，同时也可以发现这三种检测算法都能将运动目标从复杂背景的视频序列中有效准确地检测出来，但其检测精度和检测性能是逐渐提高的。