视频序列图像中对运动目标进行检测与跟踪是计算机视觉研究中一个相当活跃的领域，其目的是使计算机通过视频序列图像认知场景中的信息，并为图像分割、图像理解、行人识别、行为理解等处理提供依据，使得运动目标检测和跟踪技术具有重要的理论意义和应用价值。但由于视频序列图像中的噪声影响、外界光照强度的变化性、目标物体形状的多样性以及运动目标物体被遮挡等问题，使得运动目标的检测和跟踪成为计算机视觉研究中一项具有挑战性的任务。　　本文围绕上述问题对运动目标检测和跟踪精确度和实时性的影响进行了深入的研究和探讨，进而提出了相对合理的算法并对其进行优化改进，本文的主要研究工作和创新点有以下几个方面：　　1、提出了视频序列中运动目标的图像预处理过程中感兴趣区域缩减算法，通过边缘检测，二值化以及形态学处理求出图像中的道路区域，提取出视频图像中的道路边缘信息，排除道路两边的树木、花草等非运动目标区域；同时我们采用多结构元素对二值图像进行形态学处理，由于采用不同的结构元素，可以滤除不同形状的非运动区域噪声点，保留图像中真正的运动目标区域。　　2、提出了改进的背景差分算法，该算法是通过改进的Surendra算法来建立背景模型，采用自适应的阈值算法对差分图像进行分割，以便正确地区分场景中的运动目标和背景区域；在背景更新的过程中，不同的背景区域采用不同的更新策略，可以实时、准确地建立场景的背景模型。通过此改进的背景差分算法，可以准确检测出图像中的运动目标区域。　　3、提出了基于多特征融合的行人检测方法，通过背景差分的算法检测出视频序列图像中的运动目标区域，提取出运动目标区域的几何、边缘、速度等特征，通过提取的特征对运动目标区域进行识别，根据行人目标所具有的这些特征，标识出行人区域，排除其它非行人运动目标区域。　　4、提出了一种结合SIFT特征点匹配的Camshift改进算法，采用此算法提取出跟踪目标区域的特征点，并根据这些特征点建立颜色概率分布图。由于绝大部分特征点都在运动目标之上，因此可以去除大量的无用背景区域。该算法可以在跟踪目标颜色和场景颜色相似时，很好地解决大部分场景被检测为跟踪目标区域的问题；当跟踪目标的尺度发生变化或跟踪目标被遮挡时，可以根据SIFT特征点的旋转、尺度和平移的不变性进行匹配来搜索视频序列图像中的跟踪目标，进而有效地解决尺度变化或跟踪目标被遮挡的问题，更加准确地对运动目标进行跟踪。