运动人体检测与跟踪技术是智能交通和计算机视觉领域的关键技术，近年来受到国内外学者的广泛关注与研究。运动人体检测与跟踪技术在电子监控系统、智能交通管理、军事等多个领域都有着广泛的应用。由于受到复杂场景下光照变化、遮挡等诸多因素的影响，现有的方法在实际应用方面还面临着许多困难，因此，研究可靠的运动人体检测与跟踪算法既具有挑战性，又有着重大的意义。本论文在研究了计算机视觉相关理论的基础上，对典型的运动人体检测与跟踪算法进行了分析，并提出了相关的改进算法。本文主要完成了以下研究工作：针对运动人体检测方面，提出了一种基于主成分分析梯度方向直方图（HOG-PCA）和GentleAdaboost分类器的快速运动人体检测算法。首先对图像进行分块，提取其多尺度HOG特征，然后使用主成分分析（PCA）方法对HOG特征向量进行降维，最后将HOG-PCA特征向量输入Gentle Adaboost分类器，实现目标的准确分类。相对于原始HOG特征提取方法，HOG-PCA能够有效的降低计算复杂度，而采用Gentle Adaboost算法进行分类器的训练能够有效的提高训练效率。实验结果表明，本文方法检测的错误率更低，同时具有较快的检测速度。针对运动人体跟踪方面，由于传统的Mean Shift目标跟踪算法在背景和目标颜色接近时鲁棒性较差，本文提出了一种融合纹理特征和颜色特征的改进Mean Shift算法。首先利用Kalman滤波预测出运动人体在下一帧的可能出现位置，然后运用改进的Mean Shift算法在此范围内进行搜索与目标匹配，由此可以获得较为准确的跟踪结果，运算量也会得到降低。适合在较复杂的场景中来确定运动人体在图像序列中的位置和大小。实验结果表明结合改进的Mean Shift算法和Kalman滤波在相同颜色干扰和运动人体速度较快时仍能有效的进行跟踪。