由于实际场景的复杂多变、目标本身姿态的变化以及各种特殊情况的发生，使得运动目标检测和跟踪一直是计算机视觉领域研究中一个具有挑战性的课题。目前已有的算法大多在一定条件下或特定应用场合中对解决某一个或某几个问题有较好的效果，但能够解决复杂场景中各种不确定情况及适应不同应用场合的运动目标提取和跟踪算法很少甚至没有，因此，深入探讨和研究新的运动目标提取和跟踪算法，仍然是计算机视觉领域研究人员的一项非常重要的任务。论文所做的主要工作如下：1.首先对人类记忆机制进行了深入研究。受人类记忆信息处理机制启发，结合认知科学研究成果提出一种基于人类记忆机制的视觉信息处理认知模型。该模型能模拟人脑的一些认知功能，如：记忆、提取、遗忘、学习、分类，以及辨识等。根据人脑三阶段记忆模型，定义了三个空间：瞬时记忆空间（Ultra Short-term Memory Space，USTMS），短时忆空间（Short-term Memory Space，STMS），以及长时记忆空间（Long-term Memory Space，LTMS），用于存储当前以及历史信息。模型中还给出了记忆空间更新的行为和相应的行为规则定义以及视觉信息处理实现过程。2.为解决场景中存在的突变，如门的打开/关闭等问题，将所提视觉信息处理模型与混合高斯模型（Gaussian Mixture Model，GMM）相结合，提出一种基于记忆的混合高斯背景建模方法。在该模型中，每一个像素都要经过三个记忆空间的传输和处理。在背景更新过程中，如果背景发生了变化，原先的背景分布就会被标记并存储到长时记忆空间，当相似的场景再次出现时，相应的分布能从长时记忆空间中提取出来，因而能较快适应场景变化。实验结果显示，所提出的背景建模方法优于目前基于GMM的其他方法。3.为解决目标遮挡或者目标姿态突变等问题，将提出的视觉信息处理模型引入到模板更新过程，提出了一种基于记忆的模板更新模型，并将其嵌入到粒子滤波（ParticleFilters）及均值漂移（Mean Shift）目标跟踪框架中。在跟踪过程中，曾经的目标模板会被存储到记忆空间中，当目标姿态发生突变时，相应的模板会从记忆空间中提取出来，从而能够快速适应目标姿态的变化。实验结果显示，该方法能够很好的处理运动目标姿态突变、运动目标遮挡等问题，并且优于目前基于整体的模板更新机制。4.针对传统粒子滤波算法在跟踪过程粒子多样性匮乏问题，提出了基于记忆的双层粒子滤波算法。算法将粒子分为两层：父粒子和子粒子；子粒子对父粒子的最近状态进行记忆，父粒子由最优粒子进行优化。实验结果显示，所提方法增加了粒子多样性，提高了粒子滤波的跟踪效果，同时提高了跟踪效率。5.将提出的视觉信息处理认知模型与多智能体系统结合，提出一种基于记忆的多智能体系统（Memory-based Multi-Agent System，MMAS）模型用于运动目标跟踪。为了寻找目标外观的最佳匹配，将人类三阶段记忆模型引入到多智能体协同进化过程。每一个智能体根据其自身的经验都能记住、提取或遗忘记忆系统中的目标外观。多个这样的智能体随机分布在目标区域附近，然后映射到一个2-D网格环境并通过实施协同进化行为，如竞争、重组、以及迁移，估计目标的新位置。实验结果显示，所提方法能够处理目标姿态变化及目标遮挡问题，并优于传统的粒子滤波方法。