视频中运动目标检测是计算机视觉领域中一个重要研究方向,在智能监控,辅助驾驶,车辆跟踪,人机交互等生活场景中有极大的作用,具有广泛的应用前景。由于在视频信息采集过程中常常会出现很多复杂的情况,如摄像头的移动,背景移动,以及运动物体本身的非刚性形变等问题,给视频运动目标检测带来很大的困难。研究者针对这些问题提出了很多视频运动目标检测方法,但仍有很多不足之处。为了提高在视频中对运动目标检测的检测速率和准确率,本文模拟大脑视觉皮层信息的加工机制,以Hopfiled神经网络为基础,开展计算模型以及运动目标检测的研究。首先,给出了基于Hopfield神经网络的视频目标检测方法。将Hopfield神经网络的神经元和序列图像的像元相对应构建网络,利用Hopfield神经网络周围神经元和自身的循环反馈机制,能较好地利用上下文关系和时序信息获取视频中的时空信息;根据更为接近人类视觉系统认知机理的Hebb学习规则,实现无导师监督下对网络的权值系数进行调整,使得网络收敛稳定于平衡点,从而实现视频运动目标的有效检测。然后,提出了基于局部连接方式的Hopfield神经网络结构,建立了卷积Hopfield神经网络模型。模拟大脑视觉皮层信息处理机制,提出了基于局部连接方法的Hopfield网络结构,建立了卷积的Hopfield网络模型,并通过理论分析和相关证明,得到了卷积Hopfiled神经网络是稳定并且收敛的,且较好地保留了传统Hopfiled神经网络的学习方式和相关功能。该模型降低了网络的复杂度,减少了计算量,提高了对视频运动目标的检测效率。通过卷积运算提高了对视频序列特征的提取能力,提高了对视频运动目标检测的性能。最后,为了证明本文提出模型的有效性,本文选择在VIVID(Video Verification of Identity)数据库,ILSVRC2015 VID数据库上进行检测,以及复杂背景数据集CBV(Complex Background Videos)上测试并与Narayana等人的实验结果作对比分析,最后实验结果表明,卷积Hopfield神经网络在准确率相对较好的情况下能更快实现对视频图像中的运动目标检测。