运动目标检测是计算机视觉及模式识别方向的研究热点,在安防监控、智能交通、动作识别和人机交互等领域广泛应用。运动目标检测的目的是根据视频帧之间的相关关系,快速、准确地检测出固定视角的视频场景中的运动物体。通常,可以根据背景矩阵的低秩性和运动目标矩阵的稀疏性,将运动目标检测转化为最优化问题。目前,很多方法能够有效地检测静态背景下连续运动的目标。然而在实际应用场景中,背景中往往包含各类动态干扰,且被检测的运动目标并非总是连续运动,而经常具有间歇运动的特点。对于人的视觉而言,这些问题很容易处理,但对于计算机视觉而言,却很有挑战性。因此,本文针对运动目标检测中的动态干扰和间歇运动问题进行了研究,并提出了改进的基于低秩稀疏表示及卷积神经网络的运动目标检测方法IMNTV-RPCA和IMONet。首先,通过在传统的鲁棒主成分分析(RPCA)方法中引入混合范数和全变分,提出了检测模型MNTV-RPCA。它将残差矩阵S进行了分解,因而能够从包含动态干扰的场景中检测到纯净的运动目标。进一步地,为了提高算法的收敛速度,去掉MNTV-RPCA中的残差矩阵S,并使用鲁棒正交子空间学习(ROSL)中的低秩近似来替换核范数,得到了改进的检测模型IMNTV-RPCA。实验结果表明,它们均能够有效地检测动态干扰下连续运动的目标,且与MNTV-RPCA相比,IMNTV-RPCA的检测速度更快而精度与之相当。其次,由于MNTV-RPCA与IMNTV-RPCA均是基于背景建模思想的算法,其能够抑制动态干扰的影响,却无法在检测间歇运动的目标时取得理想的效果。为了解决该问题,本文将深度学习应用于运动目标检测领域,提出了一种端到端的运动目标检测网MONet,它不再基于背景建模的思想,而是根据像素之间的对应关系直接从场景中分割出运动目标。进一步地,为了克服MONet检测到的运动目标不够完整的缺点,在其解码网络中引入低层次的运动特征,得到了改进型的检测网络IMONet。实验结果表明,MONet和IMONet均既能检测动态干扰下连续运动的目标,又能有效地检测间歇运动的目标。