近年来,计算机视觉技术已广泛应用于社会各个领域,如智能监控系统、交通检测、自动制导等领域。由于运动目标检测技术是计算机视觉技术中的关键且基础的工作,也就是说,运动目标检测的好坏将直接影响到接下来的关键环节,例如识别、分类、跟踪、以及行为分析,所以对运动目标检测的研究是十分必要的。目前大多数目标检测方法采用基于背景建模的方法,其中人们最常用的是利用混合高斯模型进行背景建模。该方法可以很好地处理多模态的场景,如枝叶摇曳和波动的水面等,但是在实际的目标检测过程中,由于光照变化的影响,该方法不能自适应更新背景模型,同时,在光照下会使运动目标产生阴影,导致检测结果不准确。另外,由于该方法自身存在每个像素采用固定的模型个数引起计算量大。同时检测到的运动目标产生拖影。针对以上存在的问题提出了解决方法,本文所作的主要研究内容如下:1)光照变化分为全局光照变化与局部光照变化。本文提出衡量全局光照变化程度的光照因子和引入判断局部光照变化程度的光照变化参数,通过两者相结合来划分出不同光照变化,然后采用自适应的学习率来满足各种光照变化,实现了背景模型自适应更新。实验结果表明,该方法在光照变化下会准确地检测到运动目标。在光照下运动目标会产生阴影,简单且有效的方法是基于色度方法去除阴影。但当与背景区域颜色相近的阴影并不能去除。由于梯度特征具有光照不变性,故提出一种融合梯度特征的基于色度方法,利用色度信息与梯度信息相融合来提取出运动目标。与基于色度方法做对比,实验结果表明,改进的基于色度方法可以更好地去除阴影,且提升了检测的准确性。2)像素通常用固定的高斯模型个数来描述它的状态,导致计算量大的问题。因为高斯模型的个数与背景选取的阈值相关联,故对该阈值实现自适应,提出了基于Tsallis熵的阈值方法。运动目标产生的拖影问题,是由于传统的混合高斯模型算法只在时间域上学习,未考虑到像素与周围像素之间的联系。因此,提出一个判断拖影的参数,即相关接近度。对于模糊的背景点引入变量?进行自适应调整。实验结果表明,可以很好的去除拖影。