视频运动目标检测与特征提取是计算机视觉技术研究中的基本内容，随着社会和科技的发展，在人工智能、人机交流应用领域中起着极其重要的作用，其涉及了视频图像处理和模式识别等技术，在指纹识别、人脸识别、车牌检测跟踪识别等得到了广泛的应用，因此具有重要的研究价值。目前，核方法得到了广泛的应用，本文结合核方法，对视频运动目标检测与特征提取进行了研究。本文针对视频运动目标检测中前景遮挡部分背景而造成的前后景存在相关性问题，提出了基于核独立分量分析的视频运动目标检测方法，最小化分量在高维特征空间中的典型相关性以此来分离前景核背景。独立分量分析假设了前后景独立，逃避了相关性问题。本文中，基于核的独立分量分析方法利用了非线性问题在高维空间中可能会变成线性问题这一前提，将样本数据映射到高维特征空间，并利用典型相关分析来讨论分离分量在高维特征空间中的典型相关性。由此，引出了基于核的独立分量分析的两种目标函数：基于核典型分量分析的核独立分量分析（KCCA）和基于广义方差的核独立分量分析（KGV）。KCCA是典型相关分析在核方法中的应用，讨论的是分离分量高维映射的第一典型相关性，而KGV讨论的是分量分量在高维空间中的典型相关性的整个频谱。无论是KCCA还是KGV都提高了运动目标检测的精度。本文在广义Fock空间中（GF空间），将特征提取问题转化成的Volterra级数的参数优化问题。通过粒子群优化算法优化Volterra级数参数，根据实际需要，增强有用特征，减弱无用特征，使得特征不仅仅满足模式识别的要求，更体现了样本自身特性。这种Volterra级数构成了新型的多项式核函数，在一定条件下能选择性逼近高斯核函数或者常规多项式核函数，并通过对同阶特征或者异阶特征之间的关系添加限制条件，引申出了两种核，一种是讨论同阶特征的差异，一种是讨论异阶特征的差异，相比之前新型多项式核函数，减少了计算复杂度。