本文提出了一种融合显著性的动态场景背景提取算法，并把该算法运用到复杂场景下的进行运动目标检测与跟踪。当前国内外科研人员和学者已经提出了许多运动目标检测算法，其中帧差法、光流法和背景减除法为主要的算法。而背景减除法是众多学者倾向对其进行研究的方向。背景减除法中主要的工作就是对背景进行建模，并对背景模型实时更新，达到实时运动目标检测与跟踪的目的。而在众多背景模型构建算法中，大多数算法都是基于像素极的背景模型。单高斯模型、混合高斯模型、自适应模型、核密度估计模型等等都是最常用到的背景模型。自然场景变化呈现多样性及不确定性，动态场景一般有几种情况的存在：1）光照强度及光照方向的变化；2）背景中物体发生运动；3）同一背景区域中存在不连续或周期性运动；4）目标在运动中突然停止；5）目标阴影，影响目标的真实形状，导致在目标检测过程中会出现目标检测错误、误将背景检测为目标、检测结果噪音过多、检测目标存在空洞或误将阴影检测为目标等各种问题的出现。为处理掉现存方法中存在的不足，众多背景模型应运而生。每一种或几种背景模型一般都可以较好的解决一种复杂场景带来的问题。同样，核密度估计模型有不同于其他模型的特有的优势，该模型在背景建模过程中不需要参数选择和更新的过程，而且不同于其他针对单个像素进行建模的背景模型，该模型考虑到了像素与像素之间存在的空间相关性。所以在运动目标检测中可以比较完整地检测出运动目标。但是，该算法对于背景中物体的运用比较敏感，会将部分背景中的物体作为运动目标检测出来。为了缓解这个问题，本文提出了一种融合显著性的背景提取算法。算法主要步骤是：首先对视频序列采用核密度估计模型构建背景模型，并对其进行背景提取，检测出运动目标。由于背景中存在周期性运动，使得经过背景提取算法检测出的目标包含大量背景像素。同时，检测到的前景中的运动目标可以比较完整。为了消除背景中周期性运动对运动目标检测产生的干扰，本文将显著性区域检测方法应用到核密度估计背景模型中。在目标检测结果之上，增加显著性区域检测。通过增加检测结果中正确目标区域的权重，减小背景这种非显著性区域的权重，更准确地将运动目标检测出来。通过一系列实验，可以看出本文提到的方法可以相对完整而确切的检测出前景中的运动目标。实验结果看出，检测出的运动目标边缘上存在一些凸起的小片段，这些小片段并不是目标本身的像素，所以本文方法最终采用开操作，以圆形作为结构元素，对融合显著性的目标检测结果进行优化，使得目标外围曲线更光滑，轮廓更加明晰。