运动物体的前景检测是计算机视觉领域的一个重要的组成部分，因为在随后的许多处理环节上在很大程度上依赖于它，其检测结果的好坏较大的影响着后续工作的正确性与质量。对于目前的许多种算法，由于场景环境的多变性，多种因素的干扰，或者是摄像的质量较差，图像中包含较多的输入噪声，或者是算法本身的特性，从而导致了这些方法不能达到检测结果干净无噪声，且具有完整的前景对象，以及沿着对象的轮廓光滑的高质量的检测结果。本文不同于传统的方法，通过使用一种最小图分割算法来将前景运动物体从背景中分离。分别提出了基于graph cuts的方法，和基于grab cut的方法，在基于graph cuts的方法中，根据视频帧序列图像中的像素点历史的分布情况构建GMM模型，从而计算出相应的背景概率密度图，并用该图来初始化graph的T-link边权值，同时在构建graph的N-link边时，充分考虑了相邻像素点之间的关系，从而能够保证得到光滑的对象边缘，最后使用一种新的Min-Cut/Max-Flow算法进行分割，从而得到高质量的检测结果。在基于grab cut的方法中，首先提取出一个粗略的前景，然后在其上将使用形态学的组合处理以得到一个沿着对象边缘进行扩张的区域，并将该处理结果用于初始化trimap，然后该trimap信息和一种二叉树颜色聚类算法将被用来进行背景和前景的GMM颜色建模，然后利用这两个GMM模型和图像的相邻像素点的颜色信息来构建graph，之后使用同样的最小割算法进行分割，最后该方法同样需要建立背景概率密度图用来修正检测结果，实验结果表明，基于最小图分割方法，可以纠正局部误差而不产生更大的全局性失真。从质量上看，采用该新技术的结果更干净也更正确,且比传统的方法产生更少的错误。对于使用最小图分割进行前景检测处理时间较长的问题，本文提出了一种基于局部区域分割的层次模型来降低这种计算量，首先求得一个粗略的前景区域，然后使用形态学消除噪声点，得到一些包含前景信息的团簇，然后用这些团簇来确定对象所在的大致的局部区域，最后在这些局部区域上分别运用前面的图分割检测方法，最后将这些检测结果合并。实验表明，该模型能够较大的提高算法的效率。该模型还包含了一种用于阴影检测的方法。