本文研究了人体运动分析系统的一个子系统：人体运动检测与跟踪，它是人体运动分析与识别的基础。本文的主要工作可以归纳如下： 　　在第二章中本文基于背景差分的基本原理，针对实时性的要求对已有的检测算法进行了改进与优化。本文算法的主要思想是利用统计的方法建立起关于背景的多维高斯分布的参数模型，将其作为背景的参考帧，将输入的当前图像与参考帧差分，得到包含运动目标的二值掩模图像，然后对该二值图像中运动区域分类并进行阴影检测与剔除，最终得到只含感兴趣的运动目标的二值图像。 　　在第三章中本文对人体运动跟踪中所使用的相机的几何模型和各种坐标系都进行了详细的介绍与说明，它为后面章节中的两种新颖的运动跟踪算法中的观测模型提供了很好的基础。 　　在第四与第五章中本文利用前面人体运动检测的结果，分别基于扩展卡尔曼滤波器和粒子滤波器提出了两种新颖的人体运动跟踪方法。这两种方法的特点在于：1、与传统的二维图像平面跟踪不同，本文跟踪特征点的状态变量中包含了特征点的深度信息，从而实现了对特征点的3D运动轨迹预测并跟踪；2、本文选择了目标的边界矩形作为跟踪特征，这借鉴了模型跟踪方法的精确性和鲁棒性，却不需要构造精确的目标模型，又避免了繁琐的模型帧间匹配，提高了跟踪的实时性；3、本文采用蒙特卡罗粒子滤波器来代替扩展卡尔曼滤波器在非线性环境下预测并跟踪特征点的位置和速度，避免了将非线性函数直接线性化引起的跟踪误差，提高了滤波精度，增强了跟踪的准确性。 　　理论研究表明蒙特卡罗粒子滤波算法在非线性、非高斯条件下均有很好的性能表现。在视觉跟踪中当目标处于复杂背景中时，非线性、非高斯是一种普遍存在的情形，因此本文的跟踪算法具有很广阔的推广应用前景。