计算机视觉已经成为社会发展与技术进步的一个重要发展方向,近年来卷积神经网络的兴起,更加促进计算机视觉朝着工业化方向前进,在我们日常生活和工业化生产中得到了广泛的应用。对于复杂交通场景下运动目标的检测技术已然成为热点研究方向之一,同时也是提升智能化交通和城市治理能力的重要环节。现如今在复杂交通场景下实现优良性能的运动目标检测仍然有待改进,比如交通背景的复杂性、视频序列检测时间长、复杂交通场景下的人和车检测在不同尺度变化与外姿变化、运动目标检测过程中的遮挡与重复等。运动目标检测算法面对不同的场景和不同的目标时,检测效果都会受到影响。本文主要对复杂交通场景下的运动目标检测精度与准确度问题进行研究,通过不同方法和思路改进目标检测算法,从而提升运动目标检测的性能,并且给出较为详细的分析过程与结果。本文对运动目标检测算法的应用进行一定程度地分析与总结,对运动目标检测算法的研究现状进行阐述,总结现在运动目标检测算法的重点与难点问题,开展的主要研究工作如下:（1）对运动目标检测的发展历史进行系统性的概述与总结。从理论部分对传统运动目标检测的框架结构以及基础流程进行分析,并且运用图像处理技术对视频帧进行处理,通过改进OTSU算法解决视频帧进行图像处理过程中受到光照因素的影响问题,并且运用背景消去思想以及视频帧之间的联系,提取视频中的运动目标。根据运动目标在视频帧中位置的不同,从而位置区域像素点的变化这一原理将运动目标与背景进行分离,再通过轮廓的排序选择合适较大的轮廓轨迹并在视频帧中进行框选操作,从而达到运动目标检测这一目的。（2）根据复杂交通背景下运动目标的检测特点,提出一种改进Yolov5算法,通过采用二次优化聚类算法以及引入标签平滑和SE注意力模块来改进Yolov5s模型,进一步提升算法检测精度。使用二次优化的方式改进聚类方法,为实验数据集进行聚类分析,从而为本文所选数据集计算得到最佳anchors。采用标签平滑的方式提高标签的准确率,提升模型的泛化能力。而SE注意力模块能够加强对channel特征的学习,从而提升检测精度。（3）由于复杂交通场景的特点,包括夜晚与雾霾等情况会导致目标检测算法检测准确度下降等问题,将Retinex图像增强算法与目标检测算法相结合的方式,来提升目标检测算法整体的检测准确度。基于Retinex算法基础之上提升图像或视频帧的质量,再用目标检测算法对图像或视频帧进行检测,从而提升检测的准确度。实验结果表明,改进的传统运动目标检测方法能够解决光照影响,更好地对运动目标进行检测。改进Yolov5s模型能够提升算法检测精度与准确度,其中m AP提升3.4%,能够更好地进行实时运动目标检测。最后,通过Retinex图像增强算法与Yolov5运动目标检测算法结合的方式,能够极大改善检测图像质量要求,从而进一步提升运动目标检测算法在恶劣天气环境下对运动目标的检测准确度。