目前,传统的地面空间信息获取方式已经难以满足智能交通、公共安全、资源监控与灾害监测等领域对运动目标进行智能感知与实时跟踪的需求。随着卫星遥感技术的发展,具有分钟级重访周期、秒级时间分辨率和亚米级空间分辨率的卫星视频数据,为运动目标的智能感知、实时跟踪提供了数据支持。由于卫星视频与地面视频存在一定的差别,针对地面视频的运动目标检测和跟踪算法不能很好地适用于卫星视频。因此,研究适用于卫星视频的运动目标检测和跟踪算法,是目前亟需解决的重要问题。本文选取车辆这一典型运动目标作为研究对象,研究卫星视频车辆快速检测与智能跟踪方法。但目前的研究仍存在以下不足:背景减法被广泛应用于卫星视频的运动车辆检测,但仍存在背景减法在卫星视频中未得到较全面的方法评估的问题,这导致背景减法在卫星视频中的深入研究受到限制;移动的卫星平台、光照变化等因素导致卫星视频中出现伪运动目标,而背景减法对伪运动目标的区分能力不佳,这导致车辆检测的精确度下降;卫星视频的目标跟踪智能化程度不高,现有的智能跟踪方法鲁棒性低,在受到遮挡、背景干扰等目标跟踪常见挑战时易出现模型漂移。针对以上问题,本文的主要研究内容如下:（1）针对背景减法在卫星视频中未得到较全面的方法评估的问题,评估了42种背景减法在卫星视频中对于运动车辆的检测性能,并总结了最适应于卫星视频的背景减法。首先在三个卫星视频上对BGS Library提供的42种背景减法进行运动车辆检测;然后为了改善检测结果,本文使用了一个通用检测框架,包括图像预处理、背景减法参数优化与检测结果后处理三个部分;最后使用精度评价指标对检测结果进行评价与分析。（2）针对背景减法对伪运动目标的区分能力不佳的问题,构建了一种能够有效区分卫星视频伪运动目标的运动车辆检测方法MOGv1x。首先提出对基本背景减法ABL提取的前景掩模进行轨迹累积,并去除轨迹累积后的前景掩模中的伪运动目标,得到车辆的感兴趣区域;然后在感兴趣区域的约束下,使用通用检测框架,采用基于多个高斯模型的背景减法MOGv1进行运动车辆检测。（3）针对卫星视频的目标跟踪智能化程度不高,现有的智能跟踪方法鲁棒性低的问题,构建了一种能够有效应对卫星视频中的遮挡、背景干扰等挑战的车辆智能跟踪方法Siamese RPNx。首先引入Siamese RPN对车辆进行智能跟踪;然后使用边界框大小更新、基于惯性机制的边界框惩罚、运动前景增强、遮挡检测与处理四种策略对Siamese RPN进行改进,从而提高Siamese RPN的鲁棒性。研究表明:（1）MOGv1在卫星视频车辆检测数据集中检测精度最高;本文使用的通用检测框架能够有效提升不同类型背景减法的检测精度。（2）本文提出的运动车辆检测方法MOGv1x能够基本不受伪运动目标的干扰,与MOGv1相比精确率有较大提高。（3）本文提出的车辆跟踪方法Siamese RPNx能够有效地应对遮挡、背景干扰等挑战,与其他常见跟踪器相比取得更高跟踪精度。本文开展的方法评估为背景减法的改进提供了思路;提出的运动车辆检测与跟踪方法在卫星视频上取得较好的效果。上述工作为提高基于卫星视频的运动目标检测的精确率与目标跟踪的鲁棒性提供参考。