运动目标检测是计算机视觉和人工智能领域中的重要研究内容。由于现实场景受到气候、光照等外界因素的影响,背景环境会出现不同程度的变化导致基于背景模型的目标检测算法无法取得理想的检测效果。基于低秩与稀疏分解表示的鲁棒性主成分分析(RPCA)成为了运动目标检测的主流方法,但是RPCA模型运用于动态背景下的运动目标检测时存在抗噪性不强、目标与背景像素近似时容易导致提取目标不完整等问题。本文对RPCA模型进行了深入的研究,将运动一致性检测方法与求解RPCA模型的IALM算法结合,提高模型的抗噪能力;结合前景连通性和边界连通性度量并对前景连通性的前景超像素估计和前景权值计算方法进行改进,提高目标提取的完整性。本文主要工作如下:(1)对RPCA模型的求解算法进行研究,重点研究了IT算法、APG算法、EALM算法和IALM算法,之后对后三者具有可行性的算法在静态背景下进行测试与对比分析。实验结果表明三种算法都能精确检测出目标轮廓,其中IALM算法的运行效率最高。然后选用IALM算法在动态背景下进行目标检测,发现IALM算法抗噪能力不强,针对这一问题,结合前景的时间信息,引入运动一致性检测方法并对其进行改进,解决了动态背景噪声较大的问题,提高RPCA模型用于动态背景目标检测的准确性。(2)针对RPCA模型存在提取前景目标不完整的问题,结合前景的时空信息,将IALM算法与运动一致性检测得到的结果作为前景连通性度量的初始前景,对前景连通性进行计算并对前景权值的计算方法进行改进。然后利用边界连通性度量得到背景权值,再将前景权值与背景权值进行组合,得到了较为完整的目标检测结果。(3)利用CDW2014、SegTrackv2数据集,对本文研究的目标检测算法进行有效性验证,并选取召回率、精确率和F1分数对算法的有效性进行评价。实验结果表明,本文方法在动态背景下和光照强烈的环境下都能较完整地提取前景目标。