运动目标检测是计算机视觉、人工智能以及模式识别等领域的研究基础，其本质是根据目标的运动特性将目标准确地从背景中分离出来。检测结果的准确性对后续的目标分类，跟踪，识别等工作有着重要的影响。基于红外序列图像的运动目标检测可以在夜晚，雨雪，雾霾等可视条件较低的环境中正常工作，在军事和民用领域有着广泛的应用。目前，即使先进的红外成像设备依然无法摆脱随机噪声的干扰，选择合理的抑制或消除噪声的方法对于提高目标检测的精确性有着积极的作用。本论文介绍了几种常用的图像去噪算法，提出了一种基于二维经验模态分解和子带阈值估计的红外图像去噪算法，先将含有噪声的源图像经过二维模态分解得到若干子带信息；再计算子带的噪声方差估算出合理的阈值，进而移除噪声；最后经过反变换得到重构图像。实验结果表明去噪后的图像在客观评价和整体视觉上均有了一定的提高。红外序列图像的分辨率较低，纹理和细节特征信息较少，如何完整、准确地检测出运动目标一直是当前研究的难点。传统的高斯混合模型检测算法虽然能够检测出运动物体的大概位置，但是存在着一些明显的不足：模型学习率固定，检测目标伴有虚假轮廓，内部充满孔洞以及整体断裂。为了解决上述问题，本课题首先利用结构相似度算法将图像分成不同区域，每个区域分别采用不同的学习率来更新高斯混合模型。其次，为了获取更为准确的运动目标，通过高斯混合模型定位红外目标的区域位置，并使用基于空间信息的分水岭算法对目标区域进行闭合处理。最后，使用脉冲耦合神经网络的分割算法对目标闭合区域进行分割，从而将运动目标从背景中有效地提取出来。该方法能够避免传统方法中存在的一些缺点，得到更为完整，准确的红外运动目标。综上所述，本文在红外图像去噪和红外运动目标检测方面进行了相关的学习和研究，提出了一些新的思路和方法，经实验证明取得了较好的图像处理效果，为红外成像技术的应用发展提供了参考。