运动目标的检测与跟踪是计算机视觉和图像编码研究的主要内容,也是近年来计算机视觉中最具挑战性的研究课题之一,它在机器人导航、智能监视系统、医学图像分析以及视频图像压缩和传输等领域中都有广泛应用。其中运动目标检测是实现目标跟踪、交通监控、行为分析等任务的基础。但是由于运动目标的检测容易受到背景变化、乌云、光线变化、阴影、运动速度等因素的影响而导致检测结果不好,所以如何更好的实现运动目标检测具有非常重要的意义。本文主要研究静态场景下多光谱序列图像的运动目标检测。首先,介绍目前常用的三类目标检测的方法：光流法、时域差分法、背景差分法各自的特点和使用的场合,研究表明背景差分法最适合静态场景下多目标检测。其次,研究了背景差分法进行运动目标检测的原理、算法步骤以及存在的问题,并对基本的背景模型法、单高斯模型法、多高斯模型法以及LOTS (Lehigh Omni-directional Tracking System)四种背景差分法进行详细介绍。其中,LOTS算法采用两个背景、两个阈值以及将背景差分和目标分割相结合的方法既很好的抑制了噪声又使得检测结果更完整,从而提高了检测效果。再次,鉴于可见图像和红外图像存在大量的互补信息,本文提出了将可见图像和红外图像融合来提高视频运动目标检测效果的方法,在融合方面我们主要考虑了像素级的融合、特征级的融合以及决策级的融合。最后,研究了ViPER视频目标检测与跟踪评估平台,通过ViPER平台对单光谱和多光谱视频上的检测结果进行比较分析,结果表明LOTS方法在几种背景差分方法中效果最好,而采用融合的运动目标检测方法又比LOTS方法效果好。