从视频中分离运动物体和背景是视频分析领域中一个重要而又充满挑战性的任务，具有广泛的应用前景。但是，由于视频常常受到恶劣天气、相机抖动、光照条件变化和动态背景等因素的影响，现阶段存在的方法常常面临着准确性不足的问题。为此，本文以视频前背景分离任务为出发点，分别围绕传统方法和深度学习方法进行展开。论文的主要工作和创新点如下：
　　1.提出了一个基于时空可扩展矩阵恢复的视频前背景分离方法(SSMR)，该方法具有较低的计算和存储复杂度。在所提模型中，对核范数项进行低秩矩阵分解，打破了批处理模式的限制，实现了模型的在线化；通过光流法提取运动信息并结合到模型中，校正数据的一致性；在模型中嵌入仿射变换算子以补偿相机运动，并将仿射变换算子与其他变量同时优化；将模型应用到多尺度金字塔表示中，实现高分辨率视频的空间可扩展性；最后，在交替方向算法(ADM)框架下对所有变量进行交替迭代求解。实验结果表明，本文所提方法优于许多其他先进的方法，可以处理各种复杂场景下的视频。
　　2.提出了一个端对端的二级级联深度卷积神经网络，实现了对输入视频序列精确的前景和背景分离。所提网络由一级前景检测子网络和二级背景重建子网络串联而成。一级网络融合时间和空间信息，以多张彩色RGB视频帧和其对应的光流图为输入，在编码器中分别提取特征图，并在经过每一个卷积层后对两类特征图进行特征融合；解码器通过学习特征空间到图像空间的映射，从而生成当前帧的二值化前景掩膜。二级网络利用当前帧和生成的前景掩膜对缺失的背景图像进行高质量的修复重建。实验结果表明，论文所提出的时空感知级联卷积神经网络在公共数据集上取得了较其他方法更好的结果，前景检测和背景重建结果显著超越多种现有方法。