運動檢測是運動跟蹤技術的基礎，是計算機視覺領域中的一個典型問題，其目的是從序列圖像中將感興趣的運動區域從背景圖像中提取出來．在監控系統中，運動檢測最基本的要求是檢測出圖像中有無運動物體，較高的要求是檢測出運動物體的方向和位置．運動區域的有效分割對於目標分類、跟蹤和行爲理解等後期處理是非常重要的，因爲後期處理過程僅僅考慮圖像中運動區域對應的像素．然而，由於背景圖像及環境的動態變化，如天氣、光照、影子及混亂干擾等的影響，使得可靠的運動檢測變得相當困難．
目前最常用的運動檢測方法包括：光流法，幀差法，背景差分法等．最近幾年又出現了一些新的算法，比如GMM（混合高斯模型）、基於貝葉斯模型的運動物體檢測．
其中光流法計算複雜、對噪聲敏感，只適用於運動向量分析、數字水印等對實時性要求不高的應用．對於幀差法，只要對幀間隔進行合適的設置，對於運動物體一般都可以檢測到，但檢測的結果不完整．對於基於背景差分的運動物體檢測算法，一般可以檢測到完整的運動物體，但檢測得到的冗餘信息太多．這兩種方法都對外部環境變化如樹葉晃動、光照變化等比較敏感，其主要原因是缺少比較有效的噪聲消除算法和背景更新算法．
在背景差分算法中，常用的是平均值法和基於像素值統計信息的算法來構建背景．平均值法由於物體運動和光線變化不能得到準確的背景且對於環境變化不能自適應調節；基於像素灰度歸類算法的基本原理是以像素出現概率最大的一種灰度作爲背景灰度值，這種算法計算量大而且同樣缺乏對環境變化的自動調節能力．
在幀差法和背景差分的基礎上，人們提出了很多改進算法．其中主要是消除噪聲的算法、背景更新的算法和綜合利用幀差法和背景差分算法的基於幀差法的背景差分算法等．總得來說，基於灰度圖像的算法計算量小，能夠有效檢測出運動物體，但往往對外部環境變化和噪聲比較敏感，在應用中有一定的侷限性．
目前比較流行的算法主要是GMM和基於貝葉斯模型的運動物體檢測。這兩種算法都是以模式識別中的貝葉斯模型爲基礎的。GMM的基本思想是把每一個像素點所呈現的顏色用M個狀態來表示，通常M取3-5之間，將每個狀態用一個高斯分佈來近似．基於貝葉斯模型的運動物體檢測主要是運用像素值的統計信息來表示像素點的像素值分佈，再根據背景和前景出現的先驗概率知識來判斷當前出現的像素值是背景還是前景。這兩種算法的好處就是可以有效克服複雜背景如晃動的樹葉，水波等的影響。但由於這兩種算法對每個像素點都要建立模型，其計算複雜度也比較高。
最近幾年還出現了一些用卡曼濾波，粒子濾波等方法進行運動物體檢測的算法，效果都不錯。總得來說，目前的運動物體檢測算法種類比較多，但並沒有一個通用的有效算法。運動物體檢測這一領域還有很多需要挖掘還改進的地方。