视频图像中的运动目标检测是把运动目标从视频图像序列中分割出来,是运动目标分类、目标跟踪、行为判断、场景理解等后期处理的基础。它在军事领域(如战场侦察)和民用领域(如智能视频监控系统)的应用极为广泛。本文对常见的运动目标检测算法做了描述,着重研究了基于高斯混合模型(GMM, Gaussian Mixture Model)的运动目标检测算法——高斯混合背景模型。通过对比实验得知,该模型可以很好的对复杂场景进行背景建模,运动目标检测效果佳,鲁棒性较强。但是,高斯混合背景模型不能对运动物体的阴影进行抑制。针对这个问题,本文借鉴高斯混合背景模型算法中背景建模的思路,建立新的高斯混合模型对运动阴影进行抑制,即高斯混合阴影模型。高斯混合背景模型检测出的运动目标先用疑似阴影模型进行阴影预判,判断为疑似阴影的像素参与高斯混合阴影模型的参数学习和更新。然后高斯混合阴影模型对这些像素是否属于阴影进行最终判别。通过对比实验得出,该算法对运动阴影抑制的效果较好。但是由于模型需要较多的阴影像素来进行参数学习,而实际视频场景中所有像素点都被阴影覆盖的可能性较低且覆盖时间较短,使得模型的参数得不到充分的学习。针对上述算法中存在的不足,本文提出一个有效可行的改进方案。依据相同颜色的背景像素被阴影覆盖后颜色相同的原理,用彩色图像分割技术把场景背景图像按色彩一致性原则划分为若干子区域。这些子区域中非疑似阴影像素的高斯混合阴影模型参数可以用疑似阴影像素信息来学习和更新。通过对比实验证明,算法改进后可以更大程度的降低阴影对运动目标检测的不良影响,阴影抑制效果佳。