在现实生活中,运动目标的检测与跟踪在智能人机交互、医疗诊断、智能机器人、视频监控和军事等领域得到了广泛的应用。但该技术在实际应用中仍存在许多难点问题:应用场景的复杂多变、多目标跟踪等。针对这些问题,本文借鉴国内外学者对这些问题的解决方法,对检测与跟踪的主要环节加以改进,并设计相应的原型系统。　　 本文的主要工作包括:　　 (1)在目标检测方面,对常用目标检测方法进行了研究分析。针对大部分视频的多噪声点、低清晰度,降低了帧间差分法检测目标的准确性这一现状,提出了一种将帧间差分法与视觉注意模型相结合的运动目标检测方法。该方法首先利用帧问差分法获取出目标的大致轮廓,然后使用Itti视觉注意模型显著图算法得到目标的显著区域,再通过WTA竞争机制得到目标的注意焦点并结合区域生长算法来检测目标的感兴趣区域。实验表明,该方法在不丢失目标重要特征的原则下,准确的获取到目标感兴趣区域,同时尽可能的去除了周围环境区域的干扰,为后续跟踪提高了性能。　　 (2)在目标跟踪方面,首先对目标跟踪理论进行了研究分析,并对粒子滤波算法进行了深入的研究。针对粒子滤波在多目标视频跟踪下不能持续维持目标的多模态分布即对多目标.足艮踪的不足,本文提出了一种改进的混合粒子滤波算法。该算法首先用k-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,不仅提高了目标状态估计的准确性,同时让各粒子群分别对应于混合粒子滤波的各分量,使相互独立的各分量粒子滤波器跟踪各个目标,从而能够有效维持目标的多模态分布。　　 (3)针对传统多目标跟踪方法中复杂的数据关联问题,则提出了基于随机有限集(RFS)理论框架下的概率假设密度(PHD)滤波来有效地避免,并且本文通过混合粒子对PHD滤波加以实现,提出了一种基于混合粒子PHD滤波的多目标视频跟踪方法。实验结果表明,该算法能够有效处理新目标出现、合并、分离等多目标跟踪问题。　　 (4)采用OpenCV计算机视觉库设计并实现了运动目标检测与跟踪系统。该系统主要包括目标检测与目标跟踪两大模块,能够在多目标环境下实现对目标的检测与跟踪。