基于计算机视觉的多运动目标检测是图像处理、模式识别等众多学科的交叉研究课题。本文重点针对地面目标检测中所存在的复杂背景、多目标问题展开研究,提出了一种基于时空信息层级处理的多运动目标检测方法。首先,提出了一种基于前后向运动历史图的候选运动区域提取算法。该算法分为图像预处理、全局运动估计、前后向运动历史图计算和候选运动区域生成四个模块。前后向运动历史图包含了前后多帧的运动信息,不仅保障了候选运动区域提取的高查全率、高查准率和高定位精度,而且提高了对背景旋转运动、背景环境复杂、目标进入和驶出视场、目标部分遮挡等情形下的适应性。实验结果表明,本算法查准率高、目标定位精度高。其次,提出了一种联合时空局域信息的多运动目标检测算法。通过分析时域信息,获取前后向运动历史图,从而实现候选运动区域的提取;在此基础上,根据目标与其周围环境的差异,采用LAB空间的最大颜色对比度进行候选运动区域的目标量计算,通过阈值处理对候选运动区域进行筛选,获取目标候选区域;最终,基于词袋模型提取目标候选区域的特征,并利用线性支持向量机对其进行分类,确定检测目标,从而实现复杂环境下多运动目标检测。实验结果表明,本算法能够对复杂场景下的多运动目标进行准确、有效地检测。最后,提出了一种联合时空上下文的多运动目标检测算法。利用时间上下文信息,基于前后向运动历史图提取候选运动区域,确定可能是目标的区域;在此基础上,利用空间上下文信息和目标表观信息,通过基于稀疏编码的CRF模型计算目标置信度图;最终,计算候选运动区域的目标置信度,以此甄别目标和背景,从而实现复杂环境下多运动目标检测。在基于稀疏编码的CRF模型中,稀疏编码提高了特征对目标局部表观信息的描述能力,CRF模型利用了图像局部上下文信息。此外,离线训练采用CRF模型参数与字典联合训练,提高了字典的判别性;在线检测采用图像分块处理策略,通过并行计算提高算法的效率。实验结果表明,本算法在目标进入或驶出视场、部分遮挡等目标不完整的情况下检测准确率高。