近年来,随着科研人员研究的深入,视频目标检测与跟踪理论日益成熟。其主要任务是对视频图像序列中的目标进行处理和分析,从中提取目标的有用信息,自动的识别目标、预测并提取目标位置信息以及跟踪目标运动。视频目标检测与跟踪技术在人机交互、虚拟现实、医学诊断、智能交通等领域有着重要的应用。因此,视频目标检测与跟踪技术具有重要的研究意义和应用价值。目前,视频目标检测与跟踪技术在实际应用中还存在着一些问题,如运动平台下的跟踪问题、目标数目变化的多目标检测与跟踪问题、目标遮挡问题等,使得视频目标检测与跟踪技术有着很高的难度,十分具有挑战性。本文针对运动平台下的多目标检测与跟踪问题进行了研究。在研究传统的目标检测和目标跟踪方法的基础上,针对运动平台、多个目标、检测目标时间过长和目标局部遮挡出现跟踪漂移和丢失目标等问题,提出一种基于Haar-like特征检测和压缩特征融合的运动平台多目标检测与跟踪算法,对运动平台下的多目标检测目标Haar-like特征的提取与描述、目标位置的提取、目标压缩特征的提取及压缩特征的融合等几个方面进行了研究。论文分为目标检测和目标跟踪两个部分。在目标检测部分,介绍了几种经典的目标检测方法,如静态背景下的帧差法、背景减除法、运动场估计法和动态背景下的HOG特征检测、LBP特征检测及Haar-like特征检测,并对几种方法进行了优缺点比较。本文自建了人脸图像数据库和车辆图像数据库,用于训练目标检测分类器。本文使用Haar-like特征检测来进行目标检测,实验结果表明,该方法能快速、准确地检测到视频图像序列中的多个目标候选区域,为后续的目标跟踪打下了良好的基础。在目标跟踪部分,介绍了几种现在主流的目标跟踪方法,如LK光流跟踪法、Meanshift跟踪法、TLD跟踪法及压缩跟踪法。本文在压缩跟踪算法的基础上提出了改进,在压缩跟踪阶段的特征提取过程中,利用压缩感知理论对目标的特征进行压缩降维,减小了数据处理量,提高了跟踪速度,并且提出了一种压缩特征融合的跟踪方法,在局部遮挡发生时能够大幅地减少图像特征信息的损失,减少出现跟踪漂移甚至丢失目标情况的发生。实验结果表明,本文提出的算法保证了跟踪的稳定性和鲁棒性。