动态场景下的目标检测是指摄像设备在运动过程中,对不同场景中的运动目标从多角度,多方位进行检测和标记。近几年,计算机技术的发展已经让动态场景下的目标检测技术在无人驾驶、视频监控、生物医学、军事侦察等众多领域发挥重要作用。然而,由于动态场景的复杂性,使得这类算法只能在特定场景下发挥作用,尤其是目标检测算法的精准性、实时性和鲁棒性都还需进一步提升。为此,本文主要围绕如何提升背景补偿的精准性、提高算法的实时性和鲁棒性等问题展开深入研究,完成的工作和贡献主要有以下两个方面:（1）设计了一种基于BRISK特征点提取和匹配优化的背景补偿算法。引入了直方图均衡化操作对原图像进行预处理,使得原图像更加清晰、平滑,避免了由于图像灰度级不均匀所导致的特征点分布过于密集或者稀疏的问题。针对全局式特征点检测带来的计算量过大以及误匹配率过高等问题,提出基于信息度量理论的方法对于图像进行分块筛选,淘汰信息量过大或者过小图像块,缩小特征点检测范围,减少了计算工作量,使得BRISK算法运行效率提高了20%左右。设计了基于改进的KNN特征点匹配算法,通过汉明距离和欧式距离相结合的匹配方法使得误匹配率降低了32.1%。采用PROSAC算法对特征点进一步精确筛选,获得最优的三个精确特征点对,并以此求出参考图像和当前图像之间的仿射矩阵变换H,完成当前图像的背景补偿。最后,针对补偿图像中存在的空洞现象,采取了原图像对应位置像素补齐的方式进行空洞修复,确保了后续目标检测过程中图像的完整性。实验表明,相较于传统的背景补偿算法,本文算法的背景补偿结果更为精确,耗时更低,综合性能更优。（2）设计了一种基于三帧差分优化的运动目标检测算法。针对运动目标强度较弱所引起的目标检测结果不佳等问题,采用累计差分图像来加强目标强度,提高目标的可见性。通过计算运动历史图来保证目标的完整性,增强了目标轮廓的清晰度,并结合形态学运算和Canny边缘检测进一步处理,消除背景干扰,提高了目标的检测精度。针对检测过程中目标丢失重现以及虚假目标干扰等问题,采用局部特征点匹配的方式对目标候选区域进行确认,引入匹配相似度和目标轨迹确信度对目标轨迹进行关联和筛选,将关联候选目标区域数最多的轨迹作为目标的真实轨迹输出。通过四组实验对比分析得出结论:相较于传统的目标检测算法,本文算法平均PWC值降低44%,平均F1值提高26%,平均耗时减少44%,对于不同的场景以及具有不同运动属性的目标均有良好的检测效果,算法的精准性、实时性以及鲁棒性都有明显的提升。