یکی از مهمترین روش های کشف دانش داده کاوی است , علمی که به منظور استخراج دانش جدید و مفید از میان داده های حجیم معرفی می شود . امروزه با گسترش سیستم های پایگاهی حجم زیاد داده ها نیاز است که داده ها را پردازش کرد و اطلاعات حاصل از این پردازش را در اختیار کاربران قرار داد. داده کاوی را می توان حاصل سیر تکاملی طبیعی تکنولوژی اطلاعات دانست، که این سیر تکاملی ناشی از یک سیر تکاملی در صنعت پایگاه داده می باشد، نظیر عملیات جمع آوری داده ها و ایجاد پایگاه داده، مدیریت داده و تحلیل و فهم داده ها . داده کاوی را پژوهشگران با اهداف مختلفی از قبیل : 1) کلاس بندی 2) پیش بینی 3) خوشه بندی 4) تخمین انجام می دهند. برای کلاس بندی, مدل هاو الگوریتم هایی مانند قاعده ی بیز, درخت تصمیم, شبکه ی عصبی, الگوریتم ژنتیک مطرح شده است. بسیاری از رویکردهای داده کاوی (DM) فرض میکنند داده از یک منبع تولید شده است. اگر بسیاری از داده ها از مکان های توزیع شده فیزیکی تولید شوند، این روش ها به مراکز داده ای نیاز دارند که داده ها را از مکان های توزیع شده گردآوری نماید.

هدف الگوریتم‌های تشخیص تغییرات، استخراج نواحی متحرک در تصاویر ویدیویی است که نقش اساسی را در سیستم بینایی ماشین دارد. در این الگوریتم برای تشخیص حرکات یک پس زمینه با استفاده ار دو عامل تنظیم میشود : 1)روش ABE (برای هنگام سازی پس زمینه) 2) روش EABE (حذف اثر اشیای متحرک پس زمینه) عامل دو را میتوان شکل صحیح شده ای از ABE دانست. تغییرات روشنایی صحنه از چالش هایی است در پس زمینه است که پژوهشگران با مدلسازی پس-زمینه دینامیک این کار را آسان کردند. که یکی از موارد اساسی آن در کاربردهای بینایی است مانند : حمل و نقل ,امنیت, اتوماسیون صنعتی ... روش های زیادی تا به امروز در این زمین پس-زمینه ارائه شده است : 1) روش میانگین گیری که یکی ار پر کاربردترین آن ها است که دارای مزیت محاسباتی پایین و پیچیدگی کم است. 2) روش ترکیب توابع گوسی که رنگ های پس زمینه را بطور استاتیک شرح میدهد , ولی دارای بار محاسباتی بالا می باشد. 3) روش DCT که می تواند چندین فیلتر دارای باند متفاوت را دارد بکار بگیرد.