随着计算机性能的大幅度提高，人们对计算机的要求也不断扩大。计算机获得外部信息主要依靠计算机视觉，运动目标的检测与跟踪是计算机视觉中最热门的研究课题之一。只有先将背景和运动目标分割出来并对感兴趣目标进行跟踪，才能有效的对后续的视频图像进行处理，甚至可以进行目标行为的判断与分析。本课题主要研究在复杂的场景下对视频中运动目标的检测与跟踪。　　在运动目标检测方面，分别研究了帧差法，光流法及背景差分法。在帧差法的研究中，将帧差法做了改进，通过实验证明改进后的算法比帧差法检测更加准确。重点研究了背景差分法，分别对单高斯模型及混合高斯模型进行了研究。针对混合高斯模型算法在检测中存在的问题做出改进。根据HSV颜色空间的特点，改变混合高斯模型的建模空间，通过对各个分量上的设定，解决混合高斯模型在对运动物体检测时存在的阴影问题，再利用形态学方法对图像边缘细节进行补偿，并去除噪声点。最后实验表明，算法能较好的解决阴影问题，有较好的实时性和鲁棒性。　　而在目标跟踪方面，根据运动模型的建立与求解不同分为两大类:一类把跟踪问题当作最优化问题来处理，将目标跟踪转化为求代价函数的极值问题。针对这一类跟踪算法，主要研究了Mean shift，camshift;而另一类是把跟踪问题转化为状态的最优估计问题，针对这类算法主要研究了卡尔曼滤波，粒子滤波。并且针对粒子滤波依靠单一特征描述目标，容易导致跟踪过程失败而多特征却会导致计算复杂度急剧升高，对粒子滤波做出改进，采用颜色和边缘方向直方图两个特征，并有效的融合这两个特征，提高了目标跟踪的准确性和鲁棒性。