计算机视觉作为当前计算机领域最热门的研究课题之一，旨在利用成像系统与计算机来模拟人类的视觉器官与大脑，使计算机系统像人类一样地识别和理解外界事物。视频图像序列中的目标检测与跟踪技术，就是对图像序列中的运动目标进行检测、提取、识别以及跟踪，进而获取目标的运动状态及轨迹参数，并加以分析处理来实现对运动目标行为的理解。发展至今，目标检测与跟踪已经形成一套较为完整的理论系统，取得了不错的研究成果。但是依然有很多不定因素严重影响着目标的检测精度以及跟踪质量，例如:光照的变化、摄像机相对于目标的非共面运动、目标尺寸的变化以及遮挡等。本文在对前人已有工作成果深入调研的基础上，重点研究两种主流跟踪算法:局域熵方法与均值漂移算法，提出新的思想，提升目标跟踪的精确性与鲁棒性。主要工作与成果概括如下:　　(1)对于空中目标的检测与跟踪，结合传统局域熵方法与图像分割理论，提出基于局域熵值分布图的目标检测及质心运算方法。即通过统计图像每一像素点的局域熵值，绘制局域熵值分布图，并对局域熵值分布图进行迭代阈值分割，以求得最佳分割阈值并实现二值化。在二值化熵值分布图的基础上，统计像素分布，进而求取目标质心。在下一帧的序列图像中，根据前一帧求取的目标质心来设定波门，以减少非目标以及噪声的干扰。　　(2)对于地面目标的检测与跟踪，针对传统均值漂移算法在目标检测与特征提取方面的缺陷，提出了相关改进方法:①提出均值漂移算法与帧间差分相结合的方法，解决了均值漂移算法中需要人为定位的问题;②提出特征贡献度的概念，在统计模板特征时区别对待不同类型的特征，对不同贡献度的特征向量赋予不同的权重，增强显著特征，滤除背景因素，进而提高模板匹配效率以及目标跟踪精度，提升系统鲁棒性。　　(3)为了分门别类地针对不同复杂程度的视频序列使用不同算法，提出了背景复杂度的概念，将背景复杂程度这一主观感性评判量化为一个定量指标—方差加权信息熵。通过方差来加权图像信息熵，既能有效表征图像包含的平均信息量，又同时兼顾了图像中灰度分布的离散性，几近真实地反映了人类主观对背景复杂程度的判断。