基于视觉的运动目标检测技术是数字视频处理和计算机视觉领域的一个研究热点，在智能视频监控、人机交互、车辆自动导航、视频压缩等应用中发挥着重要的作用。运动目标检测的基本任务是从视频序列中将感兴趣的运动目标提取出来，它是进行更高层次视频处理、理解和应用的基础。尽管对运动目标检测技术的相关研究已经有多年历史，但由于实际应用场景的复杂性，该技术仍然面临着诸多挑战。目前尚未有一个具备通用性、鲁棒性、高性能、以及实时性于一体的检测方法，对检测方法的研究探索仍在不断地深入。本文主要对运动目标检测中的几个难题进行了研究，并分别基于图像的纹理特征、相位特征、以及信号的分离模型提出了相应的前景检测方法。全文的主要研究内容概括如下：　　首先，本文研究了基于纹理特征的前景检测方法。传统的基于局部二值模式(LBP)特征的前景检测方法具有一定的有效性，但它的计算量通常比较大。我们对其进行了改进，提出了两种效率更高的检测方法。第一种方法首先将LBP算子的一种简化算子中心对称局部二值模式(CS-LBP)进行扩展，得到了一种时域扩展中心对称局部二值模式(TCS-LBP)算子，该算子可以同时获取像素点的局部时空域信息并且具有更低的特征维数，然后我们以像素点的TCS-LBP直方图为特征提出了相应的前景检测方法。第二种方法首先将CS-LBP算子扩展到高阶，得到了一种中心对称局部微分模式(CS-LDP)算子。相比于CS-LBP算子，CS-LDP算子可以提取更细致的纹理信息。考虑到CS-LBP和CS-LDP算子具有很好的互补性，我们将像素点的CS-LBP和CS-LDP直方图进行串联融合并构成了一种新的直方图特征HHybrid。在邻域点个数相同的情况下，HHybrid比LBP直方图具有更低的特征维数，但它并没有导致太多的信息丢失。然后基于HHybrid特征，我们提出了一种新的前景检测方法。实验结果表明，这两种分别基于TCS-LBP和HHybrid特征的前景检测方法在保持较高检测性能的前提下均具有更快的运行速度。　　其次，本文利用图像的局部相位信息，提出了一种基于相位特征的前景检测方法。考虑到图像的主要内容包含于相位信息中，但现有的如相位一致性等特征由于幅值范围过小而并不适合于背景建模的问题，我们首先提出了一种新的相位特征。它首先将图像划分为较小的像素块并分别与Gabor滤波器组进行卷积运算，然后每个像素点得到了一组幅值和相位的响应信息。假定像素点在滤波器某频率和方向上的幅值响应越大，其对应的相位信息也越有识别力，我们将卷积结果中对应于前几个最大幅值的相位响应值提取出来并进行相加，得到了这种适合于背景建模的新特征。在背景建模过程中，我们假定该特征的值近似符合高斯分布，运用高斯混合模型的方法建立背景模型并检测运动目标。由于检测结果中前景点的个数比较稀疏，我们进一步运用距离变换的方法对前景像素块进行聚合，使得最终的检测结果更为完整准确。实验结果证明了该方法在一些复杂场景中的有效性以及在光照变化场景中的优越性。　　最后，本文从信号分离的角度研究前景检测问题，提出了两种基于信号分离模型的前景检测方法。首先，我们将前景检测转化为经典线性回归模型中的误差估计问题。在此基础上，考虑到前景和背景噪声具有不同的统计特性，我们将离群点数据从误差信号中分离出来表示并将前景信号作为模型中的离群点进行估计。此外，由于前景目标通常具有像素点个数稀疏、分布群聚的特性，我们对离群点进一步施加了混合稀疏约束，提出了一种基于离群点混合稀疏约束的线性回归模型(LR_FSO)，并基于该模型模型实现了对前景的估计。实验结果表明，基于LR_FSO模型的前景检测方法在与同类方法的对比中具有更好的检测性能。第二种方法是将前景和背景看作是不同子空间内的信号，并在二维平面上对背景子空间进行学习，同时还利用了目标平滑模型对前景信号进行像素点的局部平滑约束，以达到抑制噪声干扰的目的。实验结果表明，该方法在背景运动的情况下能有效地抑制干扰并检测出运动目标。