作为智能视频监控系统中的关键技术之一,运动目标跟踪技术受到国内外学者的广泛关注,近年来成为了计算机视觉领域的热点研究问题。但由于受到光照变化、遮挡以及复杂环境带来的诸多影响,现有方法在实际应用中仍然面临着许多困难,设计可靠的运动目标跟踪方法仍然是一项具有挑战的工作。论文一方面从分析运动目标跟踪技术中的两个核心问题——数据关联和遮挡处理入手,采用卡尔曼滤波器进行光照变化和遮挡情况下的目标跟踪方法研究;另一方面采用卡尔曼滤波器进行人数统计中的目标跟踪研究。主要内容包括:(1)基于结合运动信息和外形信息来克服光照变化问题的思想,论文提出一种结合卡尔曼滤波器和颜色直方图的运动目标跟踪方法,解决了光照变化下无法准确进行目标跟踪的问题。针对遮挡问题,本论文通过将遮挡分类为静态遮挡和动态遮挡,并采用动态改变卡尔曼滤波器过程噪音协方差和观测噪音协方差解决静态遮挡跟踪问题,并利用Merge-Split策略实现在动态遮挡下对运动目标进行持续跟踪。通过在PETS2000和PETS2001上进行实验,证明了该方法在光照变化和遮挡情况下的跟踪准确性比传统算法有了提高。(2)针对行人计数中运动目标聚集或者停止时,传统的运动目标检测方法很难进行检测的问题,论文提出了一种基于机器学习的HOG头肩图像运动目标检测方法。针对HOG头肩图像运动目标检测结果中的Positive False和Negative False两类错误,论文采用提取运动区域的方法去除Positive False,并利用卡尔曼滤波器进行持续跟踪去除Negative False。通过实验结果证明了该方法提高了在行人计数中检测与跟踪结果的可靠性。