运动目标检测是计算机视觉的关键技术。本文重点研究了不同复杂环境下的背景模型、静止复杂环境下的运动目标检测、运动复杂环境下的运动目标检测。针对静止复杂环境下阴影干扰、纹理缺乏、场景抖动对背景的影响,建立相对应的背景图像表征模型。针对运动复杂环境下视频图像间旋转变化、尺度变化、视角变化对背景的影响,研究了不同变化下相对应的背景变换模型。针对静止复杂环境下的不同干扰,提出了基于局部融合特征的混合高斯背景建模与目标检测算法。该算法提出改进的局部融合特征,基于混合高斯模型采用多重判定进行学习、更新背景模型参数以提高目标检测鲁棒性。为了使模型参数自适应于复杂背景变化,提出了联合变分贝叶斯学习的背景建模与目标检测算法。该算法以上述算法模型为基础贝叶斯框架,联合变分贝叶斯学习估算模型参数,利用在线期望值最大算法最优化模型分布,从而自动估算高斯模型的最佳数量及其参数。实验结果表明:改进的基于局部融合特征的目标检测算法可有效应对上述静止复杂环境下的不同干扰,算法鲁棒性强,并取得较高的检测精度。联合变分贝叶斯学习的目标检测算法在保证鲁棒性的同时,进一步提高了目标检测精度。针对运动复杂环境下的不同变化,提出了基于联合匹配跟踪的区域双模高斯建模目标检测算法。通过联合匹配跟踪的背景补偿算法和区域化双模高斯的背景建模算法提高目标检测精度。改进了ORB算法以获取匹配点;提出了LKR(Lucas Kanade Random)算法以获取跟踪点;联合匹配点和跟踪点计算置信特征点;区域化背景模型并采用在线、候选相结合的双模高斯函数建模背景。实验结果表明,该算法在上述背景变化下的运动复杂环境视频序列中取得了很好的目标检测效果,算法鲁棒性和精度较高,平均检测帧率40.6fps达到了实时性要求。