运动目标检测是计算机视觉应用中关键技术之一，其核心在于对背景的建模，背景模型又可以分为概率模型和编码模型两类。传统检测算法所假设的背景模型大多具有能量有限的特点，在面对诸如室内开关灯、夜间汽车大灯扫过的光晕等复杂背景时，采用要么保留原有的背景模型，通过学习机制缓慢学习，要么丢弃已有模型重新学习的策略。然而，复杂场景的持续时间并非依靠先验可以获得，因此面对复杂场景，策略的选择面临巨大的挑战。本论文用能量无限的Alpha稳定分布构建背景模型，针对复杂场景，特别是场景亮度存在巨大变化时，模型可以在瞬间自适应调节判决门限，从而确保在短时间内的稳定检测，然后可以随时间的累积，通过参数的自适应更新学习适应变化后的背景模型。　　论文的主要研究成果包括：　　1)复杂场景及其增量的统计特性分析。针对复杂应用场景，分析了多种典型的复杂背景及其对应增量的统计特性；分析表明能量无限的Alpha稳定分布能够较好的描述复杂背景增量统计特性，特别是持续时间未知的光照变化。进一步采用多高斯分布拟合Alpha稳定分布模型。　　2)背景增量模型参数的实时更新。针对复杂背景的增量，首先对多个高斯设定不同的初始参数值，使得该组高斯模型叠加后逼近能量无限模型。进一步给出了针对增量的多高斯模型在线参数更新方法。最后，依据二元检测理论，依据给定的虚警率，自适应确定相应的判决门限。　　3)建立了基于检测结果的启发式跟踪方法。根据稳健的运动检测结果，利用前景分割技术对运动目标实现了实时分割与跟踪。开发出了完整的ViewLab运动检测系统。