在计算机视觉领域中,运动目标检测作为许多高级视觉任务的基础性工作,被广泛应用于智能安防、智能交通、国防军事等领域。传统运动目标检测算法针对的多是摄像机静止的场景。然而,近年来随着移动计算平台的飞速发展,越来越多的视频数据是在摄像机处于移动状态下拍摄的,如手持摄像机、云台摄像机以及车载摄像机等。在摄像机可以移动的场景下,视频中的背景在时刻发生运动,运动目标不再是导致帧间变化的唯一因素,背景与前景的混合运动使得运动目标检测任务变得更加困难。在这种情况下,如何区分前景与背景各自的运动模式并从复杂的背景运动中准确有效地提取出真实的运动目标成为了一个新的亟待解决的问题。本文主要针对摄像机移动条件下的运动目标检测算法展开研究,主要工作如下:（1）重点探讨了视频序列中相邻帧之间背景运动的建模方式以及模型成立的约束条件,并详细说明了如何使用该运动模型来对帧间的背景运动进行补偿,从而将传统的背景建模算法拓展至摄像机可以移动的场景之下。（2）在满足单应性约束条件的简单背景运动场景下,由于受限于背景运动模型估计的精度,因此在对帧间背景运动进行补偿时通常会产生像素间的配准误差。现有基于背景建模的算法通常采用固定邻域背景模型搜索的方式来减小像素配准误差带来的影响,从而保证检测的准确率。但是在这个过程中,如果算法使用了不合适的搜索区域大小,将会导致检测的召回率严重衰退。针对上述问题,本文设计了一种基于自适应邻域背景模型搜索的方法,该方法利用像素的重投影误差来自适应地确定每个像素对应搜索区域的大小,在减小配准误差影响的同时也有效地解决了固定邻域搜索方法带来的弊端。实验结果表明,与固定邻域搜索的方式相比,自适应邻域搜索的方式可以很好地平衡检测算法的准确率与召回率,减少检测结果中前景目标上出现的“空洞”,有效提升目标检测结果的完整性。（3）在不满足单应性约束条件的复杂背景运动场景下,由于帧间背景运动无法再通过单应性矩阵来描述,基于背景建模的算法将会因此失效。此外,现有针对于复杂背景运动场景的运动目标检测算法大多为离线算法,无法应用于在线检测的场景。针对上述问题,本文设计了一种基于复合分割的在线运动目标检测算法,该算法将运动目标检测任务分解为前背景运动分割以及通用目标分割两项任务的交集,首先根据帧间的稠密光流以及光流幅度场、方向场中的运动不一致边界,自动选取合适的前景与背景的种子点,其次通过基于种子点的OneCut分割算法对可视化光流场完成前背景运动分割,最后将运动分割的结果与通用目标分割结果相融合来完成最终的运动目标检测。同时为了解决部分视频中由于目标形变或者运动不一致边界不清晰造成的通用目标分割或运动分割失败的问题,本文设计了一种前向传播算法对每帧图像的运动分割与通用目标分割结果进行优化。实验结果表明,本文算法在无需对摄像机运动做任何限定假设的情况下,仅依靠少量历史帧的光流信息就能够从复杂的背景中准确地提取出运动目标,且性能优于同类别的其他算法。