运动目标的检测与跟踪是计算机视觉中的关键课题。许多领域都要用到该技术,如人机交互、医学诊断、智能视频监控以及智能机器人等。研究中需要运用到图像处理、模式识别、人工智能等很多学科知识。本文对运动目标的检测与跟踪的基本理论及关键技术研究的基础上,主要开展如下工作：在运动目标检测方面,针对常见的基于单高斯背景模型的检测方法,提出了将判断目标点和背景点的阈值改进为自适应阈值的算法。对于基于多高斯背景模型的检测方法,提出了一种节省存储空间和降低计算复杂度的模型参数初始化方法和减少计算高斯模型的方法。最后提出了基于背景模型和帧间分析相融合的检测方法及改进。采用计算帧间图像的相关系数来代替简单的差分,根据图像中所有灰度值相同的像素点的灰度平均变化更新背景从而降低计算量,并提出了一种简单有效的消除光照条件变化方法。在运动目标跟踪方面,对于基本的颜色分布直方图,引入HSV颜色模型代替普通的RGB颜色模型,效果更能反映人眼视觉特征。针对基本Kalman滤波的跟踪算法无法解决非线性和非高斯的问题,提出了基于扩展Kalman滤波的跟踪算法,将非线性问题线性化为的匀加速运动。对基于Mean Shift的目标跟踪算法中的目标模型描述进行改进,不仅将基本的颜色直方图进行了核函数加权处理,还引入了边缘直方图,并对这两个特征信息进行了融合操作。对于跟踪窗口尺度不变的问题,本文也给出了解决该问题的尺度自适应算法。针对基于粒子滤波的目标跟踪算法中粒子退化的问题,本文引入了人工免疫的思想,将目标的直方图分布作为抗原,粒子集对应的直方图分布作为抗体,目标和粒子集对应的直方图分布之间的相似性系数作为抗原和抗体的亲和力,通过克隆的方式促进亲和力大的粒子,而抑制亲和力小的粒子,使用变异的方式对亲和力小的粒子变异量大,对亲和力大的粒子变异量小,从而使系统快速收敛到全局最优解。