目标检测和跟踪是增强现实的重要支撑技术。传统的目标检测和跟踪算法并没有考虑目标的射影变换,而是采用仿射变换近似目标的几何形变。而面向增强现实的目标检测和跟踪技术通过目标和视频图像之间的射影变换,实时地计算出出目标在真实场景中的位置,以确保虚拟物体能够准确地叠加到真实场景中的正确位置。因此,如何精确地求解目标的射影变换是本文的研究重点。在传统算法中,基于SIFT特征匹配的目标检测和跟踪算法因具有良好的尺度不变性和旋转不变性,已成为当今目标检测和跟踪的主流算法。然而,传统SIFT特征匹配算法的时间复杂度较高,无法满足增强现实系统实时性的要求。为了改进传统算法耗时的缺点,本文通过改进原始算法中耗时的步骤,提出一种实时的基于改进SIFT特征匹配的目标检测和跟踪算法。首先使用AGAST角点检测算子替代DoG尺度空间极值点检测算法从而实现快速提取特征点,并通过降低特征描述子向量维数提高描述子生成速度,最后利用多随机K-d树和渐进式抽样算法(PROSAC)进行特征匹配和单应性变换参数估计。而当目标相对摄像机运动较快时,会造成图像模糊,将导致SIFT特征匹配算法失效。基于单应性变换的图像模糊模型,本文提出一种针对运动模糊的目标跟踪策略。实验结果证明本文提出的目标检测和跟踪算法具有良好的实时性和鲁棒性,并提高了目标检测和跟踪的成功率。