随着图像识别技术的发展,对从视频中准确的检测出动态前景目标的需求与日俱增。前景目标的检测对目标跟踪、行为识别等等后续研究具有重要意义。通过提取视频中的背景图像,应用背景减除法,就可以得到视频中的动态前景目标。因此,视频背景图像的准确提取对前景目标检测有着十分重要的作用。但提取出真实的背景图像是比较困难的,因为它会受到自然环境的变化、拍摄设备的检测误差等多方面的干扰。而传统基于模型的背景提取方法往往会受到上述干扰因素的影响而发生模型失真的问题,不能准确的提取背景进而使得检测出的前景目标也难以辨认。无模型自适应控制(Model-Free Adaptive Control,MFAC)方法不需要建立机理模型,仅由系统中变化的数据来得到控制算法,可以很好的避免依赖模型而造成的一切问题,并且根据处理对象的复杂程度有三种结构不同的控制方案可供选择。因此,本文着重进行基于MFAC在图像识别领域中背景图像提取及前景目标检测的应用研究。本文的主要内容如下:首先,理论分析了 MFAC方法用于背景图像提取的可行性,实现了基于单入单出(single input and single output,SISO)紧格式、偏格式和全格式这三种格式的MFAC方法来进行视频背景图像的提取。其背景提取效果和传统基于模型方法的对比表明MFAC方法性能更好,提取的背景更加稳定,抗干扰能力更强。同时,基于MFAC方法提取的背景所检测出的前景目标更准确,并且根据环境复杂程度不同有三种格式可供选择。其次,为了充分利用图像的色彩信息,避免由于将彩色图像进行灰度化处理使得一些关键色彩信息缺失,本文还建立了基于多入多出(multiple input and multiple output,MIMO)MFAC的彩色背景图像提取方法。可直接在RGB三通道上对彩色图像进行处理,有效得到彩色背景图像,同时基于彩色背景相比于灰度背景所检测出的前景目标更清晰。提取出的彩色背景还可为阴影去除的研究提供基础。最后,关于动态背景和阴影去除进行了改进研究。在动态背景中可依据背景动态程度自动的去设置背景前景分离阈值,实现了在动态背景下清晰的检测出前景目标。同时,针对因光照造成的前景目标携带阴影的问题,进行了基于彩色背景图像的阴影去除方法改进,利用阴影与背景图像的颜色差异特性得出了阴影检测的判断方法,可以达到良好的去除阴影的效果。