运动目标跟踪是计算机视觉技术的一个重要研究领域。由于尺度变化、目标被大面积的遮挡、目标与背景相似度过高等问题给目标识别、运动目标跟踪带来了诸多的研究难点,多帧差分法、均值漂移以及运动估计给上述难点提供了可靠的解决方案。本学位论文以运动污染物的检测与跟踪作为应用目标,首先设计了一种基于均值背景法的运动污染物检测方法,然后设计一种基于状态估计自适应漂移的运动污染物跟踪算法,解决在目标污染物被遮挡情况下难以跟踪的问题。本学位论文的创新工作如下:（1）针对传统平均背景法在动态环境下背景模型容易变形的情况,提出一种动态背景下的背景模型更新方法,加入预背景模型和背景激励机制,有效克服背景模型的失效问题和残影问题,优化前后背景分割效率。（2）针对传统差分法会产生残影和目标空洞问题的情况,提出一种基于五帧差分的平均背景减除法。通过对连续五帧图像进行差分运算,能够有效的保证前景目标的轮廓信息提取,同时有效解决检测目标的双影问题。在不同视频数据对比实验中,该方法能有效减少前景目标的提取误差,分割得到的轮廓信息完整且清晰。（3）基于状态估计自适应漂移的运动污染物跟踪算法持续对运动污染物进行跟踪,采用自适应搜索窗口以应对目标尺度变换导致的跟踪丢失问题。在运动目标没有遮挡的情况下使用基于色度直方图模型的特征偏移算法获取目标偏移量;在运动目标受到遮挡的情况下使用基于状态估计自适应漂移跟踪算法对运动目标显示异常的情况进行运动估计与预测。在不同的视频数据对比实验中,能够有效解决目标消失导致的跟踪丢失问题,实验结果表明该方法能有效检测和跟踪运动污染物。