智能视觉监控是计算机视觉领域新兴的研究方向，该方向融合了计算机应用、模式识别、图像处理、人工智能、数学等多门学科的关键技术，现已广泛应用于机器人导航、医学图像分析、智能交通、视频监控等领域。由于背景环境的复杂性、不同的光照条件、目标复杂的形状及运动方式、多目标之间的相互遮挡等原因，目标检测与跟踪仍然是计算机视觉领域应用中最具挑战性的任务之一。本文在熟悉和掌握了相关图像处理原理和技术的基础上，对常用的目标检测和跟踪方法进行对比分析，针对复杂场景下的多目标检测和跟踪进行了研究。本文主要做了如下的工作。1、目标检测方面，针对光照突变、摄像机抖动等复杂环境下的目标检测问题，借鉴像素点灰度值聚类的思想，提出了一种改进的目标检测算法。该算法将像素点划分为背景点和前景点两类，使用聚类的方法并采取像素级收敛条件，对背景点和前景点分别建立背景、前景模型。背景模型的建立与更新，适应场景发生的缓慢变化，使背景模型更接近真实场景，准确检测运动目标；前景模型的建立与更新，有利于在场景突变后稳定的前景转化成背景，快速建立背景模型。实验结果表明，本文提出的方法具有很好的鲁棒性，能够快速准确地检测出运动目标。2、目标分割方面，利用一种简单有效的方法对运动目标进行二值化；在形态学处理中，用统计滑动框内有效像素点的个数来代替膨胀、腐蚀中像素点与结构元素的运算过程，极大减少统计次数；在连通域分割处理中，提出等价链表的概念，用简单的替换工作完成两轮扫描算法中的第二轮扫描。实验结果表明，改进算法的执行效率得到了显著提高，可以满足系统的实时性要求。3、目标跟踪方面，在研究了目前常用几种跟踪算法的基础上，针对多目标跟踪过程中出现遮挡、合并、分裂的问题，提出了一种基于KLT特征点跟踪与Kalman预测相结合的跟踪算法。实验结果表明，本文提出的方法可以对多目标持续跟踪，且具有较高的跟踪精度。