针对传统ViBe算法在复杂背景下检测运动目标时会出现鬼影、阴影、误检等问题，提出了一种改进的ViBe运动目标检测算法，称为GS-ViBe算法。在GS-ViBe背景模型初始化阶段，利用最大后验估计法确定每个像素点的最佳高斯分布数目，使其形成多帧融合背景来代替ViBe的单帧背景初始化方法，从而消除鬼影；在GS-ViBe前景检测阶段，增加多特征融合阴影检测过程，并将其检测结果和ViBe前景目标融合，得到消除阴影后的前景目标；最后，在GS-ViBe背景模型更新阶段，引入动态更新因子代替固定更新因子，使得背景可以自适应更新，从而降低目标的误检率。在多种复杂背景下与传统ViBe算法对比发现，GS-ViBe算法召回率提高了37.74%，准确率平均提高了19.83%，误检率平均降低了52.57%，表明GS-ViBe算法可以有效消除鬼影、阴影、误检的干扰，获取到完整的前景目标。

激光雷达具有全天候工作、探测精度高、有效探测距离远、易获得三维信息等特点，但工作在远距离模式时，目标点云比较稀疏。当前便携条件下，基于深度学习的算法在激光雷达点云数据直接目标识别时，实时性和成功率尚不能达到远程监视实际工程的要求。针对实际工程中利用激光雷达检测运动目标进而实时引导高分辨率相机的需求，采用基于变化的检测方法，对远距离条件下激光雷达的运动目标检测方法进行了研究，利用点云数据的距离信息，给出三维单高斯模型和三维高斯混合模型检测动目标的过程和方法，提出了利用杂波图恒虚警率检测法处理点云数据的方法。实验表明，与二维图像动目标检测方法相比，三维单高斯模型法会很大程度提高检测准确性，降低虚警率，但仍然存在较高虚警率。为适应复杂三维场景，采用基于三维高斯混合模型的方法进一步降低了虚警率，但也降低了检测速度；而杂波图CFAR的方法具有很高的实时性，同时也具有较好的检测性能。

针对目标检测对实时性要求越来越高的情况，提出了一种基于现场可编程门阵列（Field Programmable Gate Array，FPGA）实现的多运动目标检测算法。该方法通过帧差法提取运动目标，然后基于距离阈值对形态学处理后的图像进行目标分割，最后对运动目标标记显示。系统通过CMOS摄像头采集视频，采用FPGA平台外接DDR3高速大容量缓存，实现了视频图像的采集、存储、目标检测和显示。实验结果表明，提出的多目标检测系统能够有效的实时检测出多个运动目标，并且在分辨率为1 024×600的情况下帧率达到38 fps。

自然环境复杂多变，存在复杂天气如雨雪雾，草木摇晃和水面波动等大量动态背景并且光线不断变化，因此对噪声以及背景的抑制一直是复杂场景中运动目标检测的首要难题。为了抑制动态背景、慢速目标被吸收以及图像编码噪声等问题，在保证实时性的基础上，提出了一种基于纹理特征的自适应阈值运动目标检测算法。所提算法将感知哈希算法与局部二值模式结合，提出了一种改进的Hash_LBP算法并使用汉明距离进行约束，得到输入图像的局部二值模式值进行频次统计后，完成背景建模和前景提取。实验结果表明，所提算法对于红外和可见光等多种复杂背景，能够有效地抑制噪声、光照变化和动态背景，快速准确提取前景目标。

在雨雪天气、树叶晃动、水面闪烁等有复杂背景的可见光与红外场景中，快速准确地提取完整目标一直是运动目标检测中的首要难题。为了满足实时性，并针对现有视频的前景提取算法依赖先验信息、召回率低、缺乏纹理和噪声较大等问题，提出了一种基于直方图统计和改进的局部二值模式（Local Binary Pattern，LBP）纹理特征相结合的背景建模方法。首先，使用各像素直方图的众数作为参考背景，无需先验知识，节省了大量存储空间，再采用邻域补偿策略提出了一种改进的S_MBLBP纹理直方图与参考背景进行背景建模，消除了大部分动态背景和光照变化影响，实现目标的精确提取。实验表明，所提的算法在红外和可见光的多种复杂场景下，能快速提取前景目标的同时，提高了准确率和召回率。

针对传统ViBe算法不能及时反映场景变化，动态场景适应性差等问题，提出一种改进的ViBe算法。改进内容包括：采用随机选取背景样本和24邻域法获取初始背景，可以加速“鬼影”消融；结合大津法（OTSU）和均匀性度量法的平均自适应阈值计算方法，可以提高算法对树叶晃动、水波纹和光照变化等环境的适应性，最大限度保留有效像素；更新阶段引入自适应更新因子，可以有效减少被误判的概率，从而增强算法的鲁棒性；最后通过形态学处理和滤波使目标更加完整。采用标准数据集视频对改进算法进行了测试和对比分析，改进算法相对于KDE算法、GMM算法和传统ViBe算法各项指标均有大幅度提高，精确度分别提高30.44%、40.72%和20.95%，错分比分别降低了43.28%、40.59%和29.43%。

红外弱小移动目标检测技术是计算机视觉的研究热点和难点。针对机载高动态条件下的空地目标检测存在的场景变化动态、背景干扰强度大、目标运动规律未知等挑战，提出了一种新型的基于增量惯导信息辅助的空地红外弱小移动目标检测算法。为了解决传统惯导信息预测的漂移误差问题，提出了增量惯导信息概念，设计了增量惯导信息的位置预测模型，实现了对目标点的准确预测。构建了基于增量惯导信息辅助与背景差分的移动目标检测框架，通过增量惯导信息对不同位姿下的成像进行校正，引入基于爬山法互相关匹配算法计算校正后图像的平移参数，采用高斯加权对背景图像进行估计，最后通过图像分割检测弱小移动目标。仿真实验验证了文中设计检测算法的有效性和精确性。