运动目标检测与跟踪是计算机视觉研究的基础任务和关键技术之一,在视频监控、视频会议、人机交互等领域有着广泛的应用。论文针对背景模型变化、光照影响、前景背景颜色近似、目标尺度变化等复杂场景下的准实时检测和跟踪问题,对视频运动目标检测与跟踪算法进行了研究。其研究的主要内容在于:1)针对经典的非参数核密度估计运动检测由前景噪声导致的检测精确性以及算法的实时性问题,本文提出了一种聚类差分图像核密度估计算法。该算法首先利用采样样本集聚类机制获得具有典型代表的样本集;其次利用自适应的全局阈值帧间差分法和背景差分法对典型运动像素和非典型运动像素进行分类;并实时更新采样样本集和参考背景图像。多个视频序列目标检测实验结果表明,该方法有效克服了学习阶段信息冗余,估计阶段由此产生的估计错误噪声和重复计算的问题。2)针对基于颜色特征的粒子滤波算法没有较好的利用跟踪对象的重要空间结构信息,以及实际场景中目标尺度变化等问题,本文提出了一种融合空间信息的粒子滤波尺度自适应目标跟踪方法。该方法融合了目标特征和重要的空间结构信息,并利用尺度自适应变化更新策略来调整跟踪窗口尺度大小,同时利用OpenMP共享存储并行计算进行跟踪加速。多个视频序列实验证明,本文提出的方法对于目标邻域颜色相似或目标模型有微小变化的复杂场景能够得到更精确的跟踪结果,算法实时性更好。同时,自适应尺度更新策略能较好的适应目标尺度发生变化的视频场景。3)给出了一个集成现有的常见目标检测与跟踪算法以及本文提出的目标检测和跟踪算法的原型系统。该系统既可用于对不同视频场景常见目标检测和跟踪算法不同参数下的实验,也可以稍加修改应用于实际视频场景的目标检测和跟踪。