基于视频图像序列运动行人检测与跟踪是计算机爱视觉研究领域的重点研究课题之一，它正日益广泛地应用到安全防范、智能监控等领域。视频中存在复杂的背景环境、行人姿态变化、行人相互遮挡和交错、光照和气候变化等众多干扰因素，这些均使运动行人检测技术和跟踪技术成为计算机视爱觉研究领域的难题。尽管国内外的学者对该领域进行了广泛深入的研究，同时也提出了很多解决方法，但仍然有许多关键问题没有得到有效的处理，迫切需要更加成熟稳健的检测跟踪技术和方法。因此，本文针对复杂环境下的运动行人检测与跟踪问题，尤其是对跟踪中遇到的遮挡问题进行了深入研究。首先，对运动行人检测算法进行了介绍和分析，然后针对传统检测算法面对光照变化、阴影等因素干扰时，检测效果不佳的问题，给出了基于HOG特征与Haar特征融合的Adaboost检测算法，该算法融合了HOG与Haar特征，其优点就是使用HOG特征可以描述目标的轮廓及边缘特征，而使用Haar特征则能够较好的刻画目标局部的灰度变化情况，使得本文的算法取得了较好的检测效果，提高了行人检测的鲁棒性。其次，对运动行人的跟踪进行了深入研究，对传统的均值移动算法进行了改进，引入空间直方图均值移动算法，给出了该算法的推导和跟踪过程，空间直方图均值移动跟踪算法不仅包含了相同的颜色直方图信息，而且还包括了每个子空间的信息。因而能捕捉更丰富的目标描述，有抗干扰性更强和受光照影响低的优势。最后，由于空间直方图均值移动目标跟踪对于多目标场景下，特别是遮挡或者被跟踪目标距离很近的时候会导致目标丢失，所以本文在此算法基础上，引入了一种新型的融合Kalman滤波与分块思想的均值移动算法。该算法提出加入运动信息进行预测估计和分块跟踪思想，对于被遮挡的行人建立分块模型，分别对每块进行均值移动迭代搜索，把没有被遮挡的块确定为最终跟踪结果，解决了被跟踪目标自身尺度发生变化和被遮挡后导致目标跟踪失败的问题，并通过多组实验进行了讨论和验证。