在计算机视觉领域中，目标检测与跟踪是一个重要的也是最基本的研究课题，是视频场景分析、高层语义分析等诸多后续工作的基础。目标检测与跟踪技术在视频监控、智能交通、人机交互、机器人视觉导航、虚拟现实、医学图像处理和国防等各领域都有着广泛的应用。现有的目标检测与跟踪方法通常是在图像空间的单帧或少量帧图像上提取目标视觉特征，易受环境变化、目标姿态和尺度变化、目标遮挡或丢失等问题的干扰，而造成检测或跟踪错误，并且由于缺乏在时间维上的历史信息的辅助，使其在检测或跟踪出现错误后，没有相应的错误纠正机制。针对以上问题，本文提出一种在新的低维数据空间上进行目标检测与跟踪的方法。通过引入时空切片技术，将传统XY图像空间上的目标检测与跟踪问题，转化为XT数据空间上的目标切片检测与跟踪问题。XT数据空间反映的是图像维X沿时间维T的动态变化规律，有利于结合长时间尺度的目标历史信息来提取目标的运动和轨迹特征。另外，为了解决图像维由XY维降为X维而引起的视觉信息缺乏问题，本文融合多层XT空间的时空切片信息，组成新的2.5维数据空间，来实现目标视觉特征的提取。基于这样一种新的视角实现目标检测与跟踪，本文主要完成了以下工作：1.在数据空间提取目标运动特征的基础上，研究了基于多层时空切片部件模型的运动目标检测方法。传统基于部件的目标检测方法使用预定义的固定数目的多个部件来表示目标，并需为每个部件训练一个独立的部件检测器，时间复杂度较高。针对以上问题，定义了一种自由度较高的语义无关的目标部件模型表示方法。将时空切片中检测到的运动区域看成是潜在的目标部件，使用一个统一的部件检测器在多层时空切片中检测所有潜在的目标部件，然后基于时空运动一致性将检测到的部件进行聚类，得到候选目标区域。该方法具有较低的时间复杂度，能够满足实时检测的需要，并且由于目标部件表示方式的自由度较高，是语义无关的，在目标部件存在部分丢失或目标拥挤的情况下，仍能检测到目标，对环境干扰和目标尺度变化具有一定的鲁棒性，并且通过引入多层时空切片融合技术，使得算法具有在视频空间中任意位置检测目标的能力，无需额外的检测机制即能处理目标的出现和消失，具有良好的可变数目的多目标检测能力。2.在数据空间提取目标轨迹特征的基础上，研究了基于时空切片复杂运动轨迹检测的目标区域跟踪方法。传统跟踪方法在背景干扰或者目标消失的情况下，容易产生跟踪漂移的现象。由于缺少历史信息的辅助，在漂移发生时，没有相应的机制能够更正这种跟踪错误。针对以上问题，提出了一种时空切片复杂轨迹检测方法来实现运动目标跟踪。采用Hough变换和减法聚类算法解决轨迹分析中的重复定位、垂直运动分析和曲线运动分析等问题，将轨迹检测能力扩展到复杂曲线轨迹的处理上，有效跟踪具有变向、变速、垂直和交叉等多种复杂运动模式的运动目标。该方法对短时遮挡、姿态和尺度变化等不敏感；使用Hough轨迹关联技术，还可有效地避免由背景干扰或目标消失引起的跟踪漂移问题，具有良好的抗干扰能力。3.在多时空切片部件模型的目标检测基础上，研究了基于时空切片多区域融合的目标轮廓跟踪方法。针对传统区域跟踪方法目标模型复杂、多目标处理能力差等问题，提出了一种时空切片多区域融合的目标跟踪方法。将传统三维空间上的目标跟踪问题转化为多层XT的2.5维空间上的目标切片区域跟踪问题。提出一种运动特征与外观特征结合的多帧多区域映射方法，来实现切片区域的跟踪，在保证多目标实时跟踪性能的情况下，提供更细致的目标轮廓跟踪结果。该方法具有良好的抗遮挡能力、尺度变化处理能力和多目标处理能力，满足实时多目标跟踪的需求，能够有效解决因目标短时或长时遮挡引起的跟踪漂移问题，对因环境干扰引起的目标区域丢失还具有一定的鲁棒性。