视频目标检测与跟踪是计算机视觉中必不可少的关键技术之一，被广泛应用于民用和军事领域，主要包括智能视频监控、智能人机交互、视频压缩、自动驾驶、精确制导系统等，因此对视频目标检测与跟踪的研究具有非常重要的理论意义和应用价值。近年来，随着计算机处理能力的迅速提高和图像视频分析技术的发展，研究人员在视频目标检测和跟踪领域提出了很多优秀的算法，各种面向应用背景的目标检测与跟踪技术也随之大量涌现。在视频目标检测方面，论文针对物体形状特征领域，提出了一种基于kAS特征的目标检测算法。在预处理阶段采用多边形线段逼近轮廓曲线，使得kAS特征描述符更加准确；在特征提取时采用了分块加权的kAS直方图，充分考虑了特征分布的空域信息，提高目标检测的准确性；检测过程滑动窗口以块为步长，使得计算速度加快。实验结果表明该算法在复杂场景下可以获得较高的检测率，且具有平移和尺度不变性等特点。在视频目标跟踪方面，通过深入了解Mean Shift目标跟踪框架，针对其在相似区域不能正确跟踪或目标发生遮挡时容易导致跟踪失败，本文提出了基于RVM Mean Shift的跟踪算法，首先提取运动区域，在候选的运动区域进行跟踪有效限制了Mean Shift算法中泰勒展开引起的误差；RVM Mean Shift算法在建立目标/候选模型时加入了局部信息，使得跟踪更加稳健，同时减少了Mean Shift的迭代次数，最后通过实验验证该算法具有较好的跟踪效果和抗遮挡能力。论文最后充分利用目标检测与目标跟踪各自的优点，提出了基于Mean Shift与目标检测的跟踪算法，使用Mean Shift跟踪算法作为跟踪器，随机蕨丛与最近邻分类器共同作为检测器，最终的结果由融合算法给出。随机蕨丛分类器使用图像二值特征，能高效过滤大部分背景区域，最近邻分类器在此基础上进一步提高分类的正确率。实验表明该算法满足实时跟踪要求，而且检测器的引入使得跟踪能有效处理“淡出淡入”、“跳切”以及全遮挡或半遮挡情况。