利用图像序列进行运动目标的检测是很多计算机视觉应用的基础步骤。视频中的运动物体往往是需要关注的目标，运动目标检测算法的目的就是找到和提取这些目标的所在区域。传统的运动目标检测算法往往假设背景为静态或者接近静态地变化，而复杂动态场景下的运动目标检测涉及到各种背景环境动态干扰，前景伪装等问题，如何在不利环境下兼顾目标检测的灵敏性和去除干扰的能力是算法研究的重点所在。　　背景减除法运动目标检测是运动目标检测算法中实际应用较为广泛的一类方法。它的基本组件包括特征提取和模型估计两部分。本文从改进特征提取和优化模型的角度提出了两种针对复杂动态场景下的运动目标检测算法。　　1、基于PBAS算法的优化背景模型算法，通过为不同颜色通道设立不同的判别阈值，在阈值更新时独立更新各个通道，提高了算法对背景环境的建模能力;通过引入分割闪烁反馈机制，将提取前景的闪烁程度直接作用于判别阈值的调节过程中，从而增强了PBAS算法在复杂动态背景下的适应能力。　　2、利用多层去噪自编码器提取结构化特征且具有噪声鲁邦性的优点，提出一种基于多层神经网络和Gabor滤波器的分级背景消除算法。该方法在分级背景减除的大框架中，以图像块作为分级背景减除方法的处理单元，在初步找出块级的前景区域后，在像素级上使用Gabor滤波器提取局部特征与非参数背景建模方法进行像素级前景目标提取。　　通过实验仿真证明本文提出的两种运动目标检测算法均可以在复杂动态环境下较为有效地工作。