本文提出一种时空联合的视频图像运动目标分割方法，重点研究了基于核密度估计的非监督聚类方法——均值漂移算法。从改善标准均值漂移分割入手，在此基础上结合光流计算和运动分析。主要工作包括： ①研究了均值漂移聚类算法的一些基本问题，对其在样本分类、图象分割、目标跟踪等领域的应用也进行了多组比较和实验。我们首次将均值漂移其应用于彩色图象边缘提取。目前图像处理领域越来越多地需要处理彩色图像，获得目标的边缘信息对后续处理非常重要。而通常提出的一些彩色图像边缘提取方法通常耗时且对噪声不够鲁棒。我们提出了一种利用梯度爬山的均值漂移进行彩色图像边缘提取算法。 ②针对标准均值漂移分割运行速度慢，不适合于实时处理的问题，提出了一种基于新的迭代策略和特征空间重采样的快速算法。对高斯分布情况下新的迭代策略与标准算法的样本收敛速度进行了理论上的分析和比较。我们的算法，主要包括两个步骤：(1)对原始的样本集进行特征空间重采样，用样本子集中心和集合大小作为样本分布的近似描述(2)在重采样数据集合上进行基于新的迭代策略的均值漂移。实验表明，本算法将标准均值漂移算法提高了两个数量级，并保持了满意的分割效果，是一种非常实用的聚类算法。适合于推广到高维空间中的应用。 ③提出了一种基于联合域的快速均值漂移的运动目标分割算法。时空联合聚类，不仅考虑颜色、运动等，还考虑了区域在时空上的一致性。相对于分级均值漂移，我们的快速均值漂移有更大的速度优势；另一方面由于考虑了空间信息，增强了分割的鲁棒性。本文提出的运动目标分割算法速度快，无需经过边缘修正等即可获得较精确的运动目标。在全局运动估计方面，采用简化的3参数全局运动模型来建模摄像机运动，并依靠递归最小二乘估计法ILSE来计算运动模型的3个参数。