运动目标检测与跟踪是智能视觉监控的基础与前提，其在交通、军事、工业以及医学等各个领域具有广泛的应用前景。其中，静态场景下的运动目标检测与跟踪是应用最广泛的一个研究热点。目前，静态场景下的运动目标检测最常用的方法是背景减法，其存在的主要问题是，背景的提取与更新，为了建立准确的背景而采用复杂的模型，其计算量大不利于实时检测；而采用简单的模型建立的背景不够准确，不利于目标检测的准确性。此外，由于是实时检测，还需考虑模板所占内存空间问题。本文在现有的研究成果上，针对静态场景下的运动目标检测与跟踪的主要问题，对其进行了深入的研究。主要工作如下：1.运动目标检测方面：本文针对现有的运动目标检测方法进行了介绍，包括光流场法、帧间差分法以及背景减法。针对背景减法，详细介绍了常用的经典算法：多帧平均方法、混合高斯模型方法以及码本算法等；针对混合高斯模型方法的费时以及码本方法所占内存空间较大的问题，结合两者的优点，提出了一种基于像素值聚类的背景建模与目标检测方法。该方法在建立模板期间采用模板替换机制，减少内存的占有量，并且采用背景完成预判节省背景建立的时间，最后采用形态学滤波滤除小噪声，同时填补目标内部空洞，最后采用积分投影法实现对目标的分割。实验结果表明，该算法可以很好的检测出不同场景下的运动目标，在速度和准确性上有一定的提高。2.运动目标跟踪方面：本文研究了几种常用的目标跟踪算法，在此基础上提出了一种基于Kalman运动预测的改进Mean Shift算法，选取图像的灰度直方图作为跟踪模板，为减少搜索所用的时间，使用Kalman滤波器在待跟踪图像中预测可能的位置，在该范围内进利用Mean Shift算法进行搜索及匹配，引入信息量度量的概念，使跟踪模板自适应的改变，从而能够在运动目标大小发生变化时仍能很好的进行目标跟踪。