动态图像分析是图像处理与计算机视觉领域一个十分活跃的分支和备受关注的前沿课题，它融合了计算机科学、机器视觉、图像工程、模式识别、人工智能等先进技术，对它的研究已经受到国内外学者的普遍关注。动态图像分析的基本任务是从图像序列中检测出运动信息，构建目标运动的动态模型，识别与跟踪运动目标。 运动目标检测、建模和跟踪技术的复杂性，以及当前视频技术发展水平的限制，使得动态图像分析在理论和实现上仍存在着很多难题。固内外大批学者对该领域进行了深入的研究和探索，并取得了大量成果。本文在这些成果的基础上，对动态图像分析中运动目标检测、动态建模、实时跟踪等关键技术进行了深入研究。主要贡献概括如下： 首先，对图像预处理技术进行了研究，提出一种基于小波变换的图像增强算法。该算法结合小波变换中相关系数理论区分小波域中由细节及噪声产生的高频系数，对由细节产生的信息进行增强，对噪声进行抑制。解决了通常算法中增强细节信号的同时也放大了噪声这个问题。 其次，对动态场景下运动目标检测技术进行了研究，结合目标运动、边缘、区域特征，提出一种动态场景下多运动目标检测新方法。该方法融合基于帧间图像差值的运动分割技术及区域生长法获得各运动目标的初始轮廓，再利用主动轮廓线模型进行优化，从而得到各运动目标的最优轮廓。在检测环节中做了以下三方面工作：提出逆分水岭算法对图像三帧差结果进行空间聚类，从而计算出场景中运动目标数目及位置；结合目标运动信息，提出一致性判别准则；提出自适应阈值计算方法。 然后，对目标特征提取技术进行了研究，提取目标的几何特征、运动特征、不变矩特征及分形特征。前三类特征用于作为目标跟踪中的同一目标匹配的依据；分形特征用于剔除检测到的自然物体。 最后，对基于目标运动模型的滤波器跟踪方法进行了研究，构造一种融合了滤波器的目标运动模型，并开发了相应的跟踪算法。该算法提取已检测出的目标轮廓上的角点作为训练样本，采用神经网络构造目标运动模型，将此模型预测结果作为主动轮廓线的初始控制点，以检测目标准确轮廓，同时将量测误