视频运动分割技术在图像处理，图像理解领域有非常广泛的应用。分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。此外，聚类算法是图像分割中常用的技术手段。本文以GPCA（Generalized Principal Component Analysis）聚类算法为核心，本着从简入繁的研究思路，完成了下面的几项工作：静态彩色图像分割：本文简介了GPCA的基本原理，GPCA的作用是为数据集估计混合线性模型，该模型与传统单一模型相比，能更加简洁的揭示数据分布；为了揭示GPCA算法在聚类中的效果，本文分析了基于GPCA算法的彩色图像分割，实验表明GPCA算法与Meanshift算法相比，GPCA对复杂彩色图像分割更准确。另外，本文将GPCA算法应用在车牌分割中，与最大类间方差算法（Otsu）进行了比较，实验表明GPCA算法在牺牲了一定的运行速度的前提下，有效的提高了后续车牌识别的正确率。运动估计和运动物体分割：本文利用图像偏导数计算运动向量，并以此建立多运动模型，使用GPCA算法进行二维运动估计，检测运动物体并进行运动分割。实验表明GPCA算法在运动分割中聚类的正确率较RANSAC算法的正确率高。并使用GPCA算法对室外车辆视频进行运动分割，并计算获得的运动物体分割结果，实验证明多运动模型相对于单运动模型在运动分割上的有更好的分割效果。交通信息检测系统本文第四章节介绍了将GPCA算法用在交通信息检测系统中的系统流程，说明GPCA算法进行运动估计时所获得丰富的运动信息，可以应用于交通信息检测系统中。