随着计算机技术的飞速发展和物质要求的不断提高，视频监控系统应用到人类生产生活的方方面面。视频监控中的多目标检测和跟踪是计算机视觉领域的热点问题之一，该技术涉及到模式识别、图像处理、概率论、计算机应用等多门学科，有一些关键问题尚待解决，所以对于这一课题的研究具有重要的现实意义和应用价值。在目标检测方面，重点阐述了背景减法中改进的MRBM背景模型建模算法，它是一种非参数建模方法，无需指定样本的分布模型，具有更好的适用范围。针对原算法中只考虑了单个像素点的时间信息，认为其在空间上是独立的，本文采用了区域相关的样本进行背景建模，在一定程度上避免了大部分时间静止，然后突然运动的目标对背景的影响，实验结果证明本文的改进算法检测到的真实运动目标信息更加准确。多目标跟踪方面主要研究的是静止摄像机场景中的多目标，重点介绍了Camshift算法和粒子滤波：Camshift基于均值飘移迭代找到目标位置，并且能自适应改变跟踪窗口大小，计算量小，计算速度快，但当目标遮挡时跟踪效果不理想；粒子滤波可适应非线性非高斯系统的，在复杂视频场景中具有稳健的跟踪效果，但存在运行时间随粒子样本数目的增多而增大的问题，不能满足实时跟踪的要求。针对这一问题提出了一种遮挡情况下的多目标跟踪算法，将Camshift嵌入粒子滤波中，根据Camshift对粒子的聚集作用大大减少没有贡献的粒子，降低粒子滤波的运算量。当目标独立或轻微遮挡时采用的是独立的Camshift跟踪算法，目标发生遮挡时采用基于Camshift的粒子滤波进行跟踪。实验表明本文建立的系统能够在不影响跟踪性能的基础上有效地解决了计算量大的问题，实时性得到显著提高。