在航拍视频中自动检测运动目标，是无人机执行空中侦察、火力打击等高层任务的基础，是提升无人机自主能力的关键技术之一。相对于摄像机固定的视频监控，无人机航拍具有机动灵活，监视范围广的优点，但同时也面临着更多的挑战，如目标尺寸较小、图像模糊、相机运动和计算资源有限等。现有的航拍视频运动目标检测算法在环境适应性、检测结果稳定性和检测耗时方面都有待提高，距离实用仍有很大的差距。本文针对无人机运动目标检测中所涉及的图像配准、运动目标分割和检测结果修正三部分关键内容，展开深入研究。论文主要工作如下:　　 (1)针对无人机航拍场景的特点，提出了一种适用于航拍视频的快速、鲁棒的帧间图像配准算法。通过空间约束和角点量限制获得稳定的、空间分布均匀的FAST特征点，保证在图像背景平坦的情况下仍能获得足够的背景特征描述，增强算法对环境的适应性;利用视频中相邻帧间图像内容的连续性，对特征检测阈值进行自适应调整，以获得合适数量的特征点。采用训练得到的不相关采样点集对特征点进行二值描述，并通过最近邻算法根据汉明距离获得特征匹配对，进而实现准确快速的特征描述与匹配;最后运用RANSAC方法得到帧间仿射变换模型参数。实验结果表明该算法快速、稳定，具有较高的环境适应性，能够满足无人机航拍视频帧间配准的要求。　　 (2)提出了一种基于时空显著性的运动目标检测算法。航拍视频中，运动目标具有较强的时间显著性，但由于目标较小，其空间显著性在全局图像中并不明显，而仅在局部区域较为突出。本文基于时空显著性信息，提出了一种递进式的运动目标检测方法。首先利用时间显著性获得初步的目标分割结果即候选区域，然后在候选区域中计算目标的空间显著性，最后通过融合时间显著性和空间显著性信息获得最终的目标检测结果。其中为全面描述目标的空间特性，空间显著性信息分别在像素和区域两个不同的层面提取，由像素显著性获得目标的细节描述，采用区域显著性反映目标的整体特性。时间、像素和区域三类显著性信息互为补充，保证了运动目标检测算法的实时性和准确性。　　 (3)提出了一种基于跟踪的运动目标检测算法。通过融合跟踪信息，对运动目标检测结果进行修正，减少单一的目标检测算法因帧与帧间结果没有关联而出现的目标多检或漏检问题。该方法分别在候选区域提取和最终结果融合两个阶段运用跟踪信息对运动目标检测算法进行优化。在候选区域提取阶段，采用前序帧的目标跟踪结果对目标在当前帧中可能出现的位置进行预测，弥补前向运动历史图像将来信息累积不足的缺点，得到更为准确的目标候选区域;在检测跟踪结果融合阶段，一方面利用跟踪轨迹信息对目标检测结果进行修正，消除多检或漏检错误，另一方面根据检测跟踪目标关联结果，对最终的目标检测结果进行精确定位。此外，对经典mean shift算法进行了改进，在跟踪算法中加入了全局跟踪策略。在大尺度区域内统计候选目标模型，使其精度低于目标模型，以获得稳定的跟踪权重结果图;通过在全局范围内搜索最佳初始位置，保证跟踪的全局特性。实验结果表明，通过融合跟踪信息，能有效去除目标多检、漏检等错误，提高运动目标检测算法的准确率和稳定性。