在当今社会,随着传感器和计算机视觉技术的发展,人们对视频监控自动化和智能化技术有了更多的需求和研究。前景检测作为计算机视觉领域的基础技术,目的是将运动的前景物体从相对静止的背景场景中分离出来,是计算机视觉分析理解任务中的第一个问题。由于应用场景的复杂性,目前传统前景检测算法性能面临瓶颈。提高算法准确性、增强算法实时应用能力,以及提高算法鲁棒性是前景检测技术的研究重点。本文首先针对阴影和颜色伪装等应用场景,研究基于颜色和深度信息融合的前景检测算法。其次,本文提出基于矩阵分解和数学优化的前景检测框架用以解决光照、水波纹及摇摆树叶等动态背景的应用场景,并针对该框架下的计算资源消耗问题从三个方面提出了解决方案。最后,本文研究基于深度学习神经网络的前景检测框架,从优化训练数据、轻量化网络结构、及多尺度特征图模块参数优化三个方面进行改进,并通过大量实验验证前景检测效率。本文的主要工作和研究创新点如下,1、为了提高传统前景检测算法在阴影和颜色伪装场景的精度和鲁棒性,本文通过颜色信息和深度信息融合来提高前景检测算法的性能。背景模型选用传统算法中实时性好、检测率高、适应性强的算法——Sub SENSE（Self-Balanced SENsitivity SEgmenter）,Sub SENSE是传统前景检测算法里,该模型初始化时建立无参数样本模型,使用时序信息和邻域纹理信息组成样本集合,检测过程通过计算背景可信度矩阵、噪声累加矩阵、距离阈值矩阵、以及更新概率矩阵这四个状态矩阵,进行局部动态阈值设置以及像素自动分类,即使在光线变化或者动态背景应用场景里也表现突出。但算法有一个缺点,即当前景与背景相似时,算法本身的更新策略会降低像素的前景检出率。本文针对该问题,提出深度信息和颜色信息融合方法,该方法对阴影、颜色欺骗、深度欺骗等问题进行处理,能提升算法的前景检出率,解决阴影和伪装场景下前景检出率不高的问题,并且在数据集上实验验证,证明融合策略能够大幅度提高前景检出率。2、针对基于矩阵分解前景检测框架下对资源消耗问题,根据视频计算中前景目标的特性,改进稀疏矩阵计算优化算法的优化目标,并利用快速交替优化算法对目标函数中的变量进行交替更新求解,在对目标函数中的低秩矩阵进行优化求解时,按照奇异值大小进行分阶梯求解,极大程度降低了计算时间复杂度。其次针对视频数据中大量的视频帧对计算资源和存储资源的消耗问题,提出了帧筛选算法,通过对长视频帧中的冗余帧进行筛选,提高对数据的处理效率,在保证信息完整性的同时,大大降低数据的维度,可以有效降低参与矩阵分解的数据量,降低基于矩阵分解的前景检测算法对计算资源的消耗。最后提出基于字典的在线优化算法,解决传统矩阵直接批处理全部视频数据、对内存空间以及计算资源要求高、消耗大的问题,研究使用在线更新的策略解决矩阵分解一次性将所有输入数据批处理放入内存中等待计算,批处理的数据处理形式对存储资源和计算资源要求较高的问题。通过使用在线更新的策略来解决矩阵分解问题,相较于批处理操作,在线策略真正意义上解决了算法对存储空间和资源的消耗问题。3、研究基于深度卷积神经网络的前景检测框架。首先针对训练数据类别不均衡的问题,研究并提出在对正负样本进行筛选和均衡处理,通过从样本集中筛选出有包含有效信息的样本进行训练,减少无效训练样本个数,解决了随机挑选样本以及类别样本数量相差太多情况下分类器不稳定问题,本文实验验证了该方法可以使用少量手工标注样本对数据集进行建模,在保证检测效率的情况下,极大降低了人工标记的工作量。其次针对模型训练时间长及参数规模大,提出轻量化模型,将当下最新的轻量网络结构应用到前景检测中,解决了参数模型太大的问题。最后,结合训练样本筛选均衡策略以及轻量化网络,针对多尺度空洞卷积由于不合适的扩张率会切断局部像素点之间的连续性,造成局部信息丢失,提出了使用合适的多尺度空洞卷积进行特征提取和融合的残差网络,该算法能够在提高检测效果的同时,大大降低参数模型的大小,提高检测速度。无论是从底层对网络进行改进和扩展,继续提高检测效果,还是移植到移动端进行后续应用开发,该网络结构都非常灵活。最后算法在数据集上验证了其有效性。