作为计算机图像处理技术的重要一环,运动目标检测在实际生活中的应用也越来越广泛,不论是公共场所的安全监控,还是人工智能的行为识别,甚或是军事领域都能看见其身影。针对不同的场景变化以及检测过程中所遇到的问题,各研究机构和院校的学者相继开发出了各式各样的算法,但就目前已有的算法来说,还没有一种算法实时、高效、鲁棒的适应所有的环境。本文针对鲁棒主成分分析算法在动态背景下的误检测问题以及因运动缓慢所造成的漏检问题进行了深入研究,主要工作如下:论文首先研究了主成分分析算法、鲁棒主成分分析算法以及两级鲁棒主成分分析算法这三种子空间算法的原理,并针对这三种算法的优劣进行了讨论和分析。针对鲁棒主成分分析算法无法处理晃动的树叶、水面波动和喷泉这一类复杂的动态背景的问题,论文提出了一种改进算法。通过使用高斯函数来拟合时间域上的动态背景点来分割鲁棒主成分分析算法检测出的动态背景点以及运动目标点,并利用动态背景点和运动目标点在时间域上的均值和方差差异展开进一步的区分。为了提高算法的鲁棒性,本文特别提出使用块密度来代替像素点进行运算。实验结果表明,鲁棒主成分分析算法检测结果中的动态背景问题基本得到了解决。针对鲁棒主成分分析算法在处理缓慢运动目标甚至静止运动目标时所表现出来的漏检问题,论文提出使用显著性检测算法来优化处理鲁邦主成分分析算法。论文将视频场景分成简单场景和复杂场景两类分别进行处理。对于简单场景,论文将显著性检测的结果与运动目标检测的结果进行了叠加;对于复杂场景,论文首先滤出了显著性检测结果中的静态显著目标,然后提取了运动目标检测结果中的运动目标区域,并针对性的使用该区域的显著性检测结果优化处理运动目标内部的空洞。实验结果表明,结合显著性检测算法后,鲁棒主成分分析算法的漏检问题得到了很好的解决。