现代视频监控受益于先进的无线成像传感器和云数据存储,其视频图像数据在短时间内呈现爆炸增长的趋势。监控视频数据也逐渐成为非结构化数据的最大来源之一。因此,针对不同场景下的海量监控视频数据,人工分析已经无法满足日常的需求。而运动目标检测作为自动视频分析技术的关键角色,其准确性与鲁棒性影响着视频自动分析技术的效果。基于以上问题,本文针对传统运动目标检测方法在多场景下适应性较差且准确率较低等问题,提出了创新的运动目标检测模型,本文的主要工作包括:1)针对多场景环境下的运动目标检测问题,为解决其准确性、鲁棒性及多场景的泛化能力,本文提出了基于低秩表示的上下文正则化的运动目标检测模型(Low-Rank representation with Contextual regularization model,LRC)。LRC模型不仅用低秩约束来表示视频中的背景模型,还采用了上下文正则化约束方法来考虑运动目标的连续性问题。低秩的表示确保了 LRC模型能比传统方法更为有效地应用于多场景检测,同时解决了传统方法需要针对每一场景逐一进行参数训练等问题。2)本文还针对多场景串流视频条件下的鲁棒运动目标检测问题,提出基于稀疏LRC模型的多场景串流视频检测模型(Sparse and Low-Rank representation with Contextual regularization,SLRC)。在LRC将运动目标检测问题转化为低秩表示下的连续性离群点检测问题后,进一步采用稀疏系数学习方法构建多个场景下单个场景的专用背景。通过SLRC模型可以成功将多场景串流视频检测问题成功转化为单纯的单场景检测问题,大大提高了多场景串流视频的检测准确率,有效解决了传统检测算法无法适用于多场景串流视频检测的问题。3)本文还将提出的LRC运动目标检测模型,运用到道路拥堵检测应用中。并基于运动目标检测,融合多维度视觉特征来判断当前的道路状态。模型首先进行LRC检测计算其道路占有率以及交通流量,接着基于划定的固定虚拟检测区域,对输入图像进行基于GLCM的密度分析与基于光流法的速度分析。最终,融合以上多维度的视觉特征判断当前道路的拥堵状态。实验表明,本文提出的运动目标检测模型不论是在定性评估,或是定量评估上,都能取得有效且鲁棒的实际效果。此外,通过在交通道路场景下的应用与实验,也表明其在智能交通上起着重要的关键性作用。