运动目标检测是计算机视觉研究的一个重要方面，而背景差分法又是运动目标检测的常用方法之一。背景差分法的关键是背景建模，只有建立良好有效的背景图像，才能准确的检测出运动目标。背景建模方法通常有静态场景的假设前提，但是实际中，绝对静止的背景很难获取，外界天气影响、物体周期性运动以及摄像机自身晃动等原因都会破坏静态场景的假设前提，因此，研究动态场景下的背景建模方法具有重要意义。本论文在动态场景条件下，深入研究了高斯背景模型和核密度背景模型，为了获得更好的目标检测结果，又在背景建模的基础上提出了阴影消除方法，以去除背景差分后误检测为前景的阴影，完善目标检测性能。本论文主要研究内容为：（1）研究三种简单常用的背景模型：帧间差分、时间轴加权滤波、卡尔曼滤波，对其原理和实现方法进行了详细阐述，通过实验仿真对三种模型的性能进行了对比和分析，并根据它们的局限性引出了后文的高斯分布模型和核密度估计模型。（2）详细讨论了混合高斯分布的背景模型和核密度估计背景模型，前者属于参数估计方法，后者属于非参数估计方法。对属于参数估计的混合高斯模型，着重探究了参数更新问题，而对属于非参数估计的核密度估计，重点阐述了其公式含义以及窗宽对目标检测结果的影响。（3）提出基于整体边缘信息的阴影消除方法，并详细描述了该方法的实现流程。将该方法与背景差分法相结合，对背景差分后的前景目标进行阴影去除，能够得到更有效的运动目标。（4）针对文中提到的几种方法，利用Matlab进行实验仿真，分析及讨论各方法的性能优缺点。