近年来,随着通信、电子、计算机技术的快速发展,运动目标检测与识别技术逐渐为人们所熟悉,伴随而生的全自动无人驾驶汽车、视频网络云监控等领域的应用对计算机视觉检测提出了更高的要求。从计算机视频中清楚的描述客观事物,挖掘检测目标的隐藏信息,尤其是运动目标发生遮挡、外观形变或背景快速变化等复杂场景下进行运动目标识别。传统的视觉目标检测与识别算法不能保证复杂场景下具备良好的检测鲁棒性与准确性。因此,本文深入研究了基于超像素分割与目标特征学习的运动目标检测方法。提出融入联级AdaBoost模型与改进的SLIC超像素分割方法构建运动目标外观模型,利用粒子滤波与贝叶斯框架计算最大后验估计,实现复杂情况下运动目标检测。本文主要工作如下:(1)引入了亮度分量调节SLIC超像素分割,使生成的超像素具有更高的紧凑度和准确性。利用改进的SLIC超像素对目标搜索区域进行分割,采用Mean-Shift聚类形成特征池,计算运动目标置信图,在此基础上构建目标判别外观模型。(2)研究了复杂动态背景下视频中噪声变化对目标检测结果的影响,提出基于HOG特征和LBP特征的弱分类器并对其进行训练,构建了联级的AdaBoost强分类器,实现了运动目标搜索区域的确定与目标分类。(3)在贝叶斯理论基础上,采用了粒子滤波计算运动目标直方图相似度和重构误差,构建运动目标观测模型与运动模型,联合AdaBoost强分类器与模型遮挡策略、更新策略实现了运动目标的状态估计。通过实验验证,本文所提出的ABSP(AdaBoost and Super-pixel)算法能够实现简化复杂背景下运动目标信息,减少动态噪声影响,有效提取复杂背景下目标外观模型,改善目标形变与遮挡的影响,有效适应复杂环境下运动目标检测要求,并有较高的准确性和鲁棒性。