当前,随着摄像机被部署到无人机、制导导弹、无人驾驶车辆等移动平台,运动观测平台上的视觉图像处理技术受到了广泛的关注。运动目标检测在导弹制导、交通监控、侦查探测等应用中起着重要的作用,是后续目标识别和跟踪的基础。运动是感兴趣对象所具备的共有属性,因此,运动目标检测是一种常用的无监督目标检测方法。因为广泛的应用范围以及重要的理论研究意义,运动观测平台下的运动目标检测方法受到了研究人员的重视。本文主要针对运动摄像平台下的运动目标检测问题,根据成像距离将运动目标划分为近距大目标和远距小目标,分别进行研究,主要的创新点如下:（1）针对高动态场景成像的问题,提出了一种基于重构照度曲线的快速多曝光图像融合算法。算法根据标定好的相机响应函数和待融合图像的曝光时间,计算出多曝光图像对应的照度曲线。基于照度范围保持不变、尽可能与原始照度曲线形状相近的原则,重构出新的照度曲线,根据多曝光图像在重构照度曲线上重投影得到的灰度值,计算出最终的融合图像。算法在保证融合图像质量的同时,具有较高的计算效率。针对近距大尺寸运动目标的检测问题,基于运动分割的解决思路,根据运动差异的两种表现形式,本文分别设计算法实现运动目标的检测。（2）基于背景光流方向不依赖于场景深度的特性,提出一种基于背景方向场重建的运动目标检测方法。根据背景光流方向在空域上的连续性,在方向场的梯度域中通过极大值抑制的方式消除目标的运动,结合图像边界像素为背景的假设,通过求解泊松方程的方式重建出背景的光流方向。根据原始光流方向与重建出背景方向之间的差异,即可得到整幅图像的运动显著性。为了消除误检,本文基于目标在时域上运动的连续性,使用下一时刻的结果检验当前帧检测出的目标,剔除误检的背景区域。该算法在光流的方向场中实现运动目标的检测,能够适应深度变化较大的复杂场景,具有较好的鲁棒性。在多个公开数据集上与典型算法进行比较,证明本文算法具有较高的检测精度和更低的虚警率。（3）根据目标与周围背景在光流场中的局部差异,提出基于鲁棒种子点选取的运动目标检测方法。算法按照从粗到精的思路,首先,通过综合光流幅值和方向的局部差异,获得尽可能准确的目标轮廓;然后,针对初始目标轮廓存在误差的问题,将图像边界像素作为背景,提出了一种轮廓异常检测的方法,选取出更加可靠的目标和背景的种子像素;同时,基于目标在时域上运动的连续性,将上一帧中目标种子像素依据一定的规则传递到当前帧,以避免初始轮廓漏检而选取不到目标种子像素的问题。算法基于选取出的高可靠性的种子像素,以原图像中的颜色信息为参考,使用随机游走算法分割出准确的运动目标。（4）针对现有基于低秩矩阵复原的方法只能通过批处理的方式实现运动目标检测的问题,提出了一种在线的解决方案。通过对背景矩阵进行低秩分解,将其变换为基矩阵和系数矩阵的乘积,推导了在线求解当前帧的背景系数和更新基矩阵的计算方法。并结合背景基矩阵更新时求解逆矩阵的特性,基于Sherman-Morrison公式,通过引入中间变量推导出一种快速更新背景基矩阵的方法。本文算法使用滑动窗口的方式,先在当前图像中进行背景提取和目标检测,然后更新背景的基矩阵,实现了在线的背景提取与目标检测。在公开数据集上与传统背景提取算法相对比,证明了该算法具有较高的检测精度和更好的鲁棒性。（5）针对复杂背景下的运动小目标的检测问题,提出了一种高可靠性的基于轨迹关联的检测方法。针对较短时间窗口不能可靠识别出运动目标,以及长轨迹不满足运动模型的问题,提出了基于瞬时匀速直线约束的轨迹生长算法,仅在较小的局部时间段内对目标的运动模式施加约束,对整体的轨迹不作任何假设,保证算法可以在较长的时间窗口内实现检测。针对候选目标漏检的问题,本文根据不同轨迹片段之间的相似性,将属于同一目标的轨迹片段进行合并,解决因候选目标漏检而导致的轨迹关联中断的问题,提高算法的检测率。公开数据集上的实验证明本文算法具有较高的准确性,检测出的目标基本上不存在虚警的问题。针对轨迹关联检测出的目标区域存在不完整的问题,本文提出一种基于时空连续性的目标精确提取算法,以轨迹关联的结果作为目标的种子像素,基于目标和背景在时空域分布的连续性,使用三维随机游走算法分割出更加完整的目标区域。