运动目标检测是目标识别、分类和行为分析与理解的前提，是计算机视觉领域基础研究内容之一，广泛应用于智能视频监控、人机交互、军事应用等领域。运动目标检测存在如阴影去除和漏洞填补等难题，同时还会受到复杂背景（如背景中存在随风摇动的树木、草地，变换的白云，波动的河流等）、光照变化（缓变和突变）等因素干扰，实时、精确、高效、通用的运动目标检测仍然是一个巨大的挑战。本文针对复杂场景的背景建模与运动目标检测进行了较为深入的研究，并以混合高斯模型为基础，研究了运动目标提取的准确性和完整性问题。主要工作如下：1).对混合高斯模型及其改进算法进行了较为全面的分析，并针对因噪声和复杂场景导致像素过程（Pixels Process）并不严格地满足高斯分布，采用传统的混合高斯模型建模时，会出现较为明显的背景前景错判问题，提出了在混合高斯模型中引入二型模糊理论（Type-2Fuzzy Sets，T2FSs）的方法。该方法使用主隶属度函数描述像素观测值在高斯模型中的不确定性，使用次隶属度来评估主隶属度的不确定性，有效地描述了复杂场景下的像素分布规律，实验表明该方法能有效地过滤前景噪声，得到十分干净的背景。2).针对1)中的方法会导致前景目标在低对比度条件下出现漏洞的问题，提出了利用像素的上下文空间如纹理信息、梯度信息等来解决。由于现有的块级处理方法存在特征提取方式较为复杂，实时性较差和前景不够平滑等问题，本文提出了一种块级与像素级结合的混合高斯背景建模方法。该方法对每个视频块进行离散余弦变换（DCT），取每个块的最重要的4个DCT系数构成一幅伪图像，该伪图像包含丰富的块级特征，实验表明对其建模有十分明显的阴影抑制和漏洞去除效果，然后采用了简单高效的概率方式将建模结果和1)的结果想结合，既保留高效地去噪效果又增强了前景目标检测的准确性和完整性。3).针对2)中虽然考虑了像素的上下文空间特征，但仍以伪像素方式进行处理，割裂了全局和局部的联系，引入马尔科夫随机场(MRF)模型来建模以实现进一步的前景轮廓细化。MRF将像素属于前景和背景的标号问题转化由其领域系统决定的概率问题，并利用其和Gibbs随机场的等价性，将概率问题转为化全局的角度的最小化能量函数问题。本文利用已经提取的前景和背景先验知识，采用马尔科夫随机场模型对该先验进行建模，同时对像素之间的空域一致性进行建模，利用MRF的马尔科夫性的局部关联特性，实现对目标轮廓的精细化，并引入图割模型进行能量函数的最小化求解。