随着信息化时代的到来,越来越多的数字媒介和数字终端被用作记录与收发信息,数字图像是其中一种重要的记录方式。而视频又是多帧图像构成,所以这就给研究视频的动态特征赋予了极大的挑战性,动态纹理作为一类复杂运动,吸引了许多学者的注意。对动态纹理表达、识别、分割和拓展的应用研究,有利于我们对复杂运动模型进行分析,实现在视频监控、视频检索、运动识别等领域的潜在应用。本文首先对纹理的定义及相关研究意义进行了介绍,然后描述了常见的动态纹理模型,分析了每种模型在动态纹理研究领域的处理方法,以及实用意义,例如,动态纹理的检测技术、分类技术、分割技术。本文接着介绍了常见的纹理特征,并对灰度共生矩阵常用的四个特征(能量,对比度,相关性,熵)进行了对比实验,分析了纹理图片对应每个特征的纹理特性。详细介绍了另外一种常用纹理特征(LBP特征)的核心思想,同时,本文着重介绍了描述视频动态纹理的动态特征,引入了用于描述视频动态特性强度的本质属性特征,能够把具有相似场景的视频进行分类处理,并在分类好的视频集里,按照视频的动态特性强弱来对视频进行排序整理。基于LBP动态纹理特征的改进算法还有传统的VLBP, LBP-TOP等特征,本文在EOH特征和BGC3特征基础上,进行了改进,拓展到视频的时空域中,得到了EOH-TOP特征和BGC3-TOP特征,成功应用于动态纹理视频的分类处理。在实验中,由于VLBP特征的维数较大,本文只对比了LBP-TOP特征,EOH-TOP特征和BGC3-TOP特征。实验结果表明,改进的EOH-TOP特征和BGC3-TOP特征的算法在识别率上都有所提高。本文还介绍了目前几种用在视频动态纹理分割领域的分割算法,对这些目前几乎是最新的算法进行了详细的阐述,并且进行了相应的实验。然后,本文在传统光流法的基础上,提出了一个新的概念——光流残余映射。成功将其应用于对含有动态纹理场景中的前景目标分割,提出了一种复杂场景下的视频前景目标分割算法。为了对比本文算法的分割效果,对几种常见分割算法进行了主观和客观评价,实验结果表明,本文算法更具有优势。