随着计算机视觉技术的飞速发展,从视频图像中正确且高效的提取运动目标的需求与日俱增,运动目标的检测技术在人工智能、人机交互、虚拟现实等方面都有着重要的意义。但是,因为视频图像往往受到各种自然环境或人为噪声的干扰,这就使得获取显著清晰的运动目标受到了极大的挑战。目前的运动目标检测算法有很多,但是仍旧存在一些问题亟待解决。譬如背景模型设计欠佳会使得算法的结果出现很多误判,并且还会影响样本集更新,造成误判的扩散;同时前、背景如果没有被正确分割,还会损失一部分图像信息,并且引入一些不存在的信息。这些问题都会影响最终得到的运动目标的质量。本文将针对这些问题进行改进。为了避免在建模之前引入无关的噪声信息,在进行背景模型构建之前,本文首先通过选取图像中光强度的最小值,即利用暗通道图像来减少环境噪声干扰;并评估了灰度图像和暗通道图像的区别。然后通过对暗通道图像进行以自身为引导图像的导向滤波来平滑图像,从而使得经过预处理后的暗通道图像减少了噪声干扰,并且可以提高检测到的运动目标的质量。根据暗通道图像在自导向滤波后与原始图像保持了纹理一致性且减弱了噪声干扰这一特点,本文提出了一种鲁棒性较强的基于背景建模的运动目标检测方法。避免了检测算法在噪声干扰严重时容易发生误判的缺陷。为了减少运动目标的不确定性运动带来的干扰,该方法采用了保守更新和计数更新相结合的混合更新策略,平滑的更新背景样本集。在像素点分类阶段获取了准确的类型后,使用了随机扩散的背景模型更新方式,同时对像素点邻域的样本集进行随机更新,进而提高背景模型的准确性。整个方法不仅提高了样本分类的准确性,而且能获取质量较好的目标图像。图像容易受到噪声污染,但目标检测算法通常又对噪声比较敏感,因此对含噪视频图像的目标检测算法的研究是极有必要的。本文提出了一种自适应样本与阈值更新结合的鲁棒主成分分析方法。该方法从将运动目标看作图像的稀疏噪声的角度出发,通过进行奇异值分解将背景与前景进行分解,不仅能很好的适应各种场景,而且也能够准确的分解出复杂场景中的运动目标。为了减少多次迭代带来的时间消耗,在前背景分解的过程中采用非精确的逼近求解方法加快了迭代速度。通过对相邻帧进行差异分析,使样本集大小自适应调整,减少分解过程使用的样本数量,提高了算法的运行速度。使用自适应的阈值分割方法来进行像素点的前、背景分类,提高了分割的准确率,并且通过结合像素点的时空域信息获得更清晰完整的运动目标。整个方法不仅提高了算法的检测速度,而且获取的目标图像质量较高。综上所述,本文在研究运动目标检测的基础上,提出了两种运动目标检测的改进算法。通过利用暗通道先验和鲁棒主成分分析来进行算法改进,所提出的改进在实现运动目标检测有效性的基础上提高了算法的精度。