随着信息技术的飞速发展与，计算机视觉是当今最为活跃的研究领域之一。其快速发展也增加了在各个领域的应用，从产品检测到移动机器人导航，从医学图像到智能监控，不一而足。运动目标的检测和跟踪就是计算机视觉领域中最受关注的两个方面。在运动目标检测方面，本文首先介绍了目前的三种主流算法以及它们的变种。在对当前最为流行的背景描述模型高斯模型和codebook模型进行详细的介绍后，本文提出了改进的codebook模型，并且提出改进后的背景训练和更新算法。由于codebook模型在更新模型时容易将前景引入背景模型，所以本文提出单位时间的概念来解决该问题。另外，在模型中，通过引入一个权重G来解决Ghost问题，得到了非常理想的结果。利用阴影中的除亮度外，色调和饱和度基本不变的特性，本文在算法中还加入了阴影去除模块。最后，依赖于开源的opencv平台，本文实现并测试了改进算法。结果表明，改进后的算法在长期的检测中取得了令人满意的效果。在运动目标跟踪方面，本文首先阐述了现有的两种主要的预估器：Kalman和condensation。在对二者分析后，我们采用了精确度稍逊一筹但是实时性较好的Kalman滤波器。在运动目标检测的基础上，本文利用腐蚀、膨胀、中值滤波等形态学处理方法进行去噪，然后对图像进行连通域的提取。在舍弃信息量较小的小面积连通域后，本文提取运动目标的外接矩形作为跟踪对象，并通过Kalman预估器来预估其下一帧的位置。实验结果显示，该算法不论在单目标还是有遮挡行为的多目标跟踪中都表现出良好的性能。