图像分割和目标检测一直是图像分析与计算机视觉领域的重点研究课题。随着近几十年来复杂网络理论的快速发展,将复杂网络理论应用到图像分析与计算机视觉领域成为研究人员关注的问题之一。本文以复杂网络理论中的社团检测和节点度分布理论为中心,对图像网络的构建、图像分割和视频中运动目标检测算法进行了研究。具体研究内容如下。（1）提出了一种基于局部网络模块度增量的超像素分割算法（LocalNet）。以像素点颜色相似性建立图像的邻接加权网络,以模块度增量作为判断准则,对邻接网络进行社团划分,完成图像的超像素分割。该算法克服了经典的SLIC超像素分割算法分割精度不足,易出现欠分割的缺点。同时应用超像素分割算法对图像进行分割,以超像素区域为单位作为网络节点,构建图像网络结构。与以像素点为节点构建图像网络相比,可以提高图像处理的效率。实验结果表明LocalNet算法与SLIC及其改进算法VASLIC和MMTDSLIC相比,具有更高的分割精度。（2）提出了一种结合局部度中心性的图像分割算法（LDCS）。对图像应用LocalNet算法进行超像素分割,以超像素区域为单位作为网络节点,区域间的颜色、纹理相似性作为连边权值,构建图像邻接加权网络结构,结合局部度中心性,计算图像网络的局部度中心节点作为图像网络社团的中心,进行网络的社团划分,完成图像分割。实验表明该算法的图像分割精度高于应用复杂网络理论进行图像分割的框架算法GFCNIS。（3）提出了一种基于图像网络节点度变化量的运动目标检测算法（IN-MOD）。对视频中每帧图像应用LocalNet算法进行超像素分割,以区域颜色、纹理相似性建立图像的邻接加权网络结构,按照时间顺序建立视频网络节点的时间序列,寻找每帧图像网络节点度变化节点作为候选运动目标,应用本文LDCS图像分割算法以及K-means聚类算法对检测出的运动目标候选区域进行修正。实验结果表明,本文IN-MOD算法在检测运动目标发生镜头抖动、光照变化等特殊情况时,具有较好的检测效果。