本文在研究了当前基于视频的运动目标背景提取算法现状的基础上，分析了均值法、中值法、Surendra方法、高斯分布模型、混合高斯分布模型以及非参数模型等有应用价值的背景提取算法，提出了一种新的mode值方法。对上述各方法的原理进行了详细阐述，推导了算法的计算公式，并对算法加以改进。在背景模型的建立阶段充分运用视频图像的帧间与帧内信息，从而加快模型初始化速度。在模型稳定后提出了选择更新背景模型和背景图像的方法，并通过引入背景图像队列实现相对稳定的背景获取。在Matlab7．1．1的平台上仿真实现了上述背景算法。 为了对上述各算法的结果进行比较，提出了用标准背景图像作为判别标准，并给出了判别准则的计算方法。着重研究了车流量密度对背景提取的影响，给出了一种按车流量大小对运动图像进行分类的方法，并在此基础上比较了各个方法的背景提取准确度。通过比较发现，在低车流量和中等车流量时，中值法提取的背景较好；而在高车流量时，提出的mode值方法提取的背景最好。 研究了初始化图像、阴影以及背景发生变化等情况对各算法的影响。其中Surendra方法和高斯分布模型法受初始化图像的影响较大，而混合高斯分布模型法对初始化图像的依赖性较小。而非参数模型法能很好地适应背景变化较大的场景并有效抑制阴影影响，该方法适用于大风天气摄像机有较大抖动的情况和光线变化强烈的路段。 对各算法的算法复杂度和运算速度进行了比较。 基于对各个算法的分析比较，提出利用图像序列频率域的信息识别车流量大小，并以此为判别准则自适应选择背景提取算法。最后，将自适应背景提取算法应用于道路交通的车辆检测系统中，实现了对车辆的实时提取和跟踪，为进、一步实现车流量检测和道路交通监测的自动化和智能化提供了可靠的信息和准确的数据。