运动检测是数字图像处理技术的重要研究内容之一,也是当前运动视觉研究中尚未根本解决的难点问题。自适应混合高斯模型算法作为一种经典的运动检测算法已经得到了广泛的应用,但是该算法的模型更新策略存在不足；同时运动阴影的存在会干扰运动目标的精确提取,为了减少阴影对运动目标提取的干扰,人们针对阴影具备的特性,提出了很多阴影消除方法,但这些阴影消除算法一般都会受到应用场景的限制。本文的研究目的是改善混合高斯算法的运动检测效果,扩展阴影消除算法的适用场景,主要工作如下：针对传统混合高斯背景模型算法采用统一更新速率及高斯分布方差过度收敛引起的误检测问题,本文提出一种新的模型更新策略。改进算法在对背景模型进行更新时,首先根据模型信息和前景检测结果动态地区分出背景的多模态区域、运动区域、背景逃离区域等,然后对不同的区域采用不同的更新速率；此外,本文在前景判定时引入一种阈值检测方法,以更好地应对由于背景扰动引起的误检测。针对基于单种图像特征的阴影检测算法容易受到场景的限制,以及光照变化引起的误检测问题,本文提出了一种融合HSV颜色特征和图像梯度特征的阴影检测算法。算法首先根据阴影区域和背景的亮度差异以及色调和饱和度的不变性进行阴影判断,然后利用阴影区域的梯度恒定性进行阴影检测,最后综合这两种阴影判定结果得到最终的阴影检测结果；此外,在基于HSV颜色特征的阴影判定规则中加入了一项判断条件,以解决当光照强度由弱变强而导致的误检测。为了验证算法的有效性,本文在PC机上借助VS2005、OpenCV编程工具实现了本文算法及相关对比算法,并采用来源于美国加州大学计算机视觉和机器人研究实验室网站的监控视频素材,对算法进行测试评估。实验结果表明：改进后的混合高斯算法能够更好地处理背景中的多模态区域,提高运动目标分割精度；融合的阴影检测算法在不同场景下取得了较好的阴影抑制效果,并在引入阴影消除算法之后,降低了由于光照突变引起的误检测。