最近几年,随着经济的发展,科学技术的进步,计算机视觉技术和多媒体处理技术得到了迅猛的发展,目标检测与跟踪技术的研究成为了计算机视觉领域的两个重要课题,是更高层次视觉处理技术(如动作识别、事件监测、视频分析等)的基础,在智能汽车、智能化视频监控、视频检索等方面有着广泛的应用背景。本文对运动目标的检测与跟踪进行了较为深入的研究,对目标检测算法中混合高斯模型学习率的自适应与目标跟踪中减少背景因素的影响进行了重点研究,本文的主要工作如下：1.全面总结了运动目标检测与跟踪技术的意义,国内外研究的现状；介绍了运动目标的检测与跟踪技术的整个流程,并且对常用的运动目标的检测与跟踪技术进行简单的分类。2.针对混合高斯模型中学习率学习方式的不足,提出了基于高斯混合模型下采用自适应学习率的运动目标检测方法。统计每个像素每个模型被匹配的次数,在线更新学习率。在初始化背景时,分配一个全局的学习率,采用传统高斯混合模型的学习方式；在更新背景时,结合初始化和更新阶段每个像素每个模型被匹配次数的信息,为每个像素分配一个学习率,采用自适应的学习方式。用背景差分方法检测出运动目标。实验结果表明,该方法同传统混合高斯背景模型的学习能力相比,有较好的学习能力与稳定性,能提高运动目标检测的正确率。3.简要分析了Kalman滤波跟踪和Mean Shift跟踪的优缺点,结合这两种方法的优点,介绍了一种把Kalman预测与Mean Shift搜索相结合的运动目标跟踪方法：首先用Kalman方法的预测能力来得到在下一帧中目标的大致位置,然后Mean Shift方法得用他的收敛性,对得到大致的位置进行较小范围的搜索和目标匹配。虽然结合两种方法后得到的效果要比使用单一的方法要好,但是在跟踪的过程中,窗口的大小不能很好的体现出目标的大小,影响目标模型特征的计算,针对这个不足,提出了一种改进的Mean Shift与Kalman相结合的方法,最后对这种改进的跟踪算法进行了实验,并对实验结果进行了分析和总结。4.针对目标跟踪算法中常用简单的颜色直方图进行目标的跟踪时易受背景干扰的缺点,提出了一种以颜色直方图与特征点相似度相结合的粒子滤波目标跟踪算法。该算法在粒子滤波基本框架之下,引入了目标模型与每个粒子之间特征点匹配的方法,结合目标模型与每个粒子的颜色直方图和特征点相似度,来计算每个粒子型的权重值。实验结果表明,该方法与传统的粒子滤波目标跟踪相比,能有效地处理背景干扰的问题,能提高运动目标跟踪的正确率。