运动目标检测和跟踪在神经网络、机器学习、智能交通以及航空航天等领域有着广泛的应用,是计算机视觉学科的一个热门研究方向。但是实际跟踪过程中存在很多环境的干扰,例如光照变化、目标遮挡、复杂背景、目标形变以及拍摄视角的变化等各种复杂条件。如何在复杂条件下实现运动目标的准确、实时跟踪是计算机视觉领域的一大难点。因此,本文对各种运动目标检测与跟踪算法进行深入的研究,解决各种复杂条件下的运动目标检测和跟踪任务。本文研究了两种基于背景建模的目标检测算法和两种基于前景建模的目标检测算法。基于背景建模的帧间差分法和背景差分法在场景存在较大变化时无法准确建立背景模型,基于前景建模的光流法和HOG算法在面对遮挡、光照变化等复杂情况时无法实现准确检测且实时性差。为了实现复杂条件下的运动目标检测任务,提出一种多特征融合的运动目标检测算法,计算待检测图像的CLBP直方图相似度SLBP和色调直方图相似度SHue,对两种直方图进行加权融合,得到待检测图像与背景模型的融合相似度S,通过混合高斯背景模型与待检测图像的融合相似度S的匹配情况来分离出前景目标。实验证明,这种算法在面对阴影和复杂背景干扰时具有很好的鲁棒性。针对复杂条件下的运动目标跟踪任务,本文提出一种基于模板匹配的粒子滤波跟踪算法,将模板匹配技术融入PF算法中,利用候选区域与目标模板的匹配情况来更新粒子权值,在固定时间间隔内利用最匹配的候选区域对目标模板进行更新,并在重采样阶段引入基于Levy飞行的布谷鸟搜索算法来解决粒子退化问题。在保证跟踪准确率的前提下减少了初始粒子的数目,实现了运动目标的实时跟踪。由于目标跟踪过程中会不断累积误差,当目标在图像帧中消失后再次出现在视野内,将很难再次准确跟踪,因此本文研究了一种长时间单目标的TLD跟踪算法。针对复杂条件下的长时间运动目标跟踪任务,提出一种基于Mean Shift的TLD目标跟踪优化算法,根据TLD跟踪器输出的跟踪框与目标模板的相似度来确定Mean Shift算法的起始迭代点,通过Mean Shift迭代搜索输出最终的跟踪目标框。同时,在跟踪模块中利用SUSAN算法检测目标的角点,使用SUSAN角点替换原TLD算法的均匀采样点,保留了目标的更多有用信息且减少了跟踪中的无用点,提高了原TLD算法的跟踪稳定性和实时性。