序列图像的运动分析是诸多学术领域，如计算机视觉、人工智能、模式识别等广泛关注的一个课题，指从静态序列图像中获得关于运动物体以及运动本身的特征，包括运动目标是否存在，运动物体的识别以及运动目标的跟踪等。这些研究成果具有广泛的应用前景，如虚拟现实，智能监控，人机交互等。 一个完整的运动分析过程包含四个阶段：运动检测，运动目标识别，运动目标跟踪，运动目标动作分析与理解。这四个阶段并不是一定要全部存在，而是取决于应用的场合。一般情况下运动检测和运动目标跟踪是必要的，本文研究重点集中在这两个阶段。 运动目标检测是将运动物体从序列图像中提取出来的过程。这一阶段是后续处理的基础，具有重要意义。然而由于现实世界的复杂性比如光照的变化，影子以及干扰物等的存在，使得这一阶段的处理并不简单。目前几乎所有的运动目标检测算法都是建立在一定程度的限制和假设的基础上，很难找到一个适用于所有应用场合的算法。本文采用特征点匹配法进行运动目标的提取，通过特征点匹配法来形成动态的背景模型，并进行及时更新，使经过更新后的背景模型能够及时反映背景的动态变化。 当检测到运动目标正确时，进行运动目标跟踪。在这个阶段，本文利用动态变化分布的非参数方法CamShift算法。CamShift算法根据运动目标的色彩信息对运动目标进行实时跟踪，具有鲁棒性和实时性的优点。但是当运动目标速度较快或在遮挡时，容易发生跟踪丢失。本文提出将CamShift算法和运动目标位移预测相结合的方法跟踪运动物体，该方法不但可以有效的避免上述情况发生时出现的目标丢失现象，还可以排除目标发生形变或外界光线变化时造成的干扰。 通过实验，分析了本文算法的有效性，能够检测、识别和跟踪运动目标，并具有一定的鲁棒性。