La detección de objetivos en movimiento en fondos con mucho ruido siempre se considera un problema desafiante para los sistemas visuales artificiales, pero es un instinto innato de muchas especies animales, especialmente las aves. Se ha informado que la acumulación de información espacio-temporal puede contribuir a la alta eficiencia y sensibilidad de las neuronas tectales aviares en la detección de objetivos en movimiento. Sin embargo, sus roles funcionales para la detección de objetivos en movimiento no están claros. Aquí establecimos un nuevo modelo computacional para detectar objetivos en movimiento. El modelo propuesto consiste principalmente en tres capas: capa de retina, capas superficiales del tectum óptico y capas intermedias-profundas del tectum óptico; en esta última, la información de movimiento se vería mejorada por el proceso de acumulación. La validez y confiabilidad de este modelo se probaron en videos sintéticos y escenas naturales. En comparación con EMD, sin el proceso de acumulación de información, este modelo reproduce satisfactoriamente las características de la respuesta tectal. Además, los resultados experimentales mostraron que el modelo propuesto tiene mejoras significativas sobre los modelos existentes (EMD, DSTMD y STMD plus) en los conjuntos de datos STNS y RIST. Estos hallazgos no solo contribuyen a la comprensión del procesamiento complicado del movimiento visual en aves, sino que también proporcionan una solución potencial para detectar objetivos en movimiento en entornos con mucho ruido.