伴随着计算机视觉在各个领域的广泛应用,目标识别与跟踪的研究具有十分重要的理论价值和实际意义。每个研究者都在努力的提高目标跟踪的准确性、实时性、鲁棒性,可靠的目标识别与跟踪算法可以得到可靠的目标信息,进而为后续的环境监控、场景分析打下坚实的基础。本文首先对运动目标检测方法进行了研究,分析了目前主要存在的目标检测方法。由于帧差法容易受到噪声的干扰,光流法的实时性低,所以本文选取了基于混合高斯模型的目标检测方法,重点分析了混合高斯模型检测的原理并通过一组对比实验验证了混合高斯模型的良好检测效果。鉴于Meanshift算法和Camshift算法的快速跟踪,所以本文在运动目标跟踪方法中对Camshift与Meanshift做了详细的介绍,但是Meanshift无法自适应的调整目标跟踪框架,Camshift虽然对Meanshift做了改进,可以自适应的调整跟踪框和更新目标模板,但是其容易受到背景环境的影响,对目标建模的精度产生影响,造成目标的丢失。为了改善Camshift跟踪效果,提高目标跟踪的准确性和稳定性,本文分别对两种情况下的Camshift进行改进。当运动目标与背景的颜色对比度较低时,背景会对目标跟踪产生极大地影响,所以本文提出了一种二维联合信息的策略来改进跟踪效果。当目标处于一种非常复杂的环境中时,背景中总会有一些颜色信息与目标相同,影响目标跟踪的效果,所以本文又提出一种基于直方图显著性的Camshif跟踪方法,通过实时的比较目标与背景直方图来不断调整目标模型。这两种方法都能更好的建立目标模型,降低背景信息的干扰,达到稳定跟踪目标的效果。仿真实验结果表明,本文提出的两种方法都能有效的提升目标模型的准确性,实现运动目标的稳定跟踪。