智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。伴随网络技术和数字视频技术的飞速发展，监控技术正向着智能化、网络化方向不断前进。监控系统功能日益强大，但是依然需要工作人员不间断地分析监视场景内的活动，日夜值守，工作繁重。智能视频监控在不需人为干预情况下，利用计算机视觉和视频分析算法对摄像机拍录的图像序列进行自动分析，而运动目标检测和跟踪是智能视频监控中最基础的关键技术，它们是后续的各种高级处理，如目标分类及行为分析、事件检测、行为识别、视频图像的压缩编码和语义索引等高层次的处理和应用的基石，也是视频监控系统自动化、智能化和实时应用的关键。本文分析了目前较常用的检测算法，通过大量实验分析总结他们各自的优缺点后，在背景差分法的基础上，提出了一种改进后的算法：利用混合高斯背景建模提取背景，避免了简单背景差分法当遇到第一帧中有运动目标时，无法获得有效背景的缺陷；在得到有效背景之后，用阈值自适应背景更新方法替代高斯背景建模，方法简单实用，处理速度快，弥补了高斯背景更新计算量大，实时性不足的问题；而帧差法的引入很好的解决了背景差分法对环境变化如光线变化、天气变化等比较敏感的问题。进一步提高了监视系统的稳定性。在运动跟踪方面，根据跟踪方法的不同，介绍了三类算法：基于偏微分方程的跟踪方法，基于Mean Shift的跟踪方法和基于滤波理论的跟踪方法。具体分析了Mean Shift算法，实验实现了一种跟踪窗口自适应的Mean Shift算法——CamShift跟踪算法，根据实验结果中存在的问题，引入卡尔曼滤波器和粒子滤波器，分析了两种算法的特点，实现原理，跟踪过程中的优缺点，卡尔曼滤波器只能应用在线性、高斯系统中，对于现实的非线性、非高斯系统，卡尔曼滤波无法获得理想效果；而粒子滤波器算法复杂，计算量极大，处理复杂环境的速度满足不了实时性的要求，在此研究基础上，提出一种基于卡尔曼粒子滤波器的跟踪算法。基本思想是：在粒子滤波器的基础上，使用卡尔曼滤波器考虑最新的观测信息，这种采样策略有效地将粒子引导到似然函数比较大的区域，因此能极大地减少算法需要的粒子数目。最后通过大量针对性的实验，主要针对跟踪过程中的尺度变化问题和遮挡问题，最后证明改进的卡尔曼粒子滤波器跟踪算法能较好地实现目标跟踪，且具有良好的实时性和鲁棒性。