运动目标检测及跟踪是计算机视觉研究的主要问题之一，它融合了图像处理、模式识别、自动控制、人工智能以及计算机等许多领域的先进技术，在军事视觉制导、视频监控、医疗诊断、智能交通等方面都有广泛应用。其中智能视频监控是计算机视觉领域的一个新兴方向和备受关注的课题，它在不需要人为干预情况下，利用计算机视觉分析的方法对摄像机拍录的图像序列进行自动分析，实现对动态场景中目标的定位、识别和跟踪，并在此基础上分析和判断目标行为，从而完成日常管理又能在异常情况发生时及时作出反应。随着科技技术的不断发展，人们对运动目标检测与跟踪系统的稳定性、鲁棒性提出了很高的要求。因此本课题研究具有重要的理论意义和实际价值。本文主要围绕运动目标检测和运动目标跟踪两个方面展开研究，并在具体应用下进行介绍。运动目标检测方面，研究了静态背景下常用的运动目标检测算法，有光流法、相邻帧差分法、背景差法等。之后又针对于两种背景建模方法进行了实验比较。相对于传统的混合高斯背景建模法，最新的自适应分布数K混合高斯背景建模法有不固定像素模型的分布数，从而能够根据实际情况进行调整，准确的描述像素样本的实际分布；并通过一种改进的迭代算法，自适应地完成模型的背景提取和更新。试验通过像素为320*240的视频进行，提供了一个在室内空间走动行人的目标检测，结果表明该算法效果好于传统的混合高斯背景建模算法，有更好的适应能力，对于背景的更新有更强的时效性和准确性。运动目标跟踪方面介绍了现在常用的几种算法，有基于特征的跟踪方法、基于3D的跟踪方法、基于主动轮廓的跟踪方法等。对于颜色特征提取和形状特征的提取做了详细的介绍，其中包括RGB颜色空间到HSV颜色空间的转换分析。形状特征主要研究了图形平滑和边缘提取，并且做了实验分析。然后重点研究了粒子滤波算法，并且提出了一种有效的改进方法，通过聚类和分层方法，把粒子空间分成多层空间，针对于不同空间的权重大小利用粒子，保证了其粒子的多样性和有效性，避免了粒子的浪费。为了验证算法的有效性，采用了两段像素为320*240的视频序列进行测试。实验表明改进的算法效果优于传统粒子滤波，通过仿真可知改进的方法跟踪误差不到原算法的一半，每个仿真时间里稳定性都有加强，而且跟踪精度也有所提高。