信息化时代的各方面需求带动了视频分析技术的飞速发展,作为计算机视觉智能化技术的一个热门研究方向,目标跟踪与轨迹识别技术越来越多地受到关注。然而,该研究由于对鲁棒性、实时性和准确性有较高的要求,在复杂场景下的应用仍存在诸多问题。首先介绍并深入分析了目标检测的几种经典算法,采用ViBe背景减除算法实现目标检测。这种基于样本模型的方法能较好适应复杂背景的干扰,并且运行效率较高,适合实时系统的需求。同时,结合中值法解决了建立背景模型中容易出现“Ghost”现象的问题。运用形态学处理方法来提取完整的目标区域。其次,在目标检测的基础上,进行实时目标跟踪的研究。在详细分析目标跟踪的基本框架,研究几种主流跟踪方法之后,针对目标在复杂场景中表观模型易受多种干扰,尺度变化快,在多维空间中搜索复杂度高等问题,在压缩跟踪的基础上利用粒子群优化算法进行了快速准确的多尺度目标搜索。实验表明,提出的基于粒子群优化的多尺度目标跟踪算法(PSO-CT)在目标跟踪中尺度自适应性突出,鲁棒性较强,能快速准确获取目标位置。最后,提取并识别运动目标轨迹。根据目标检测和跟踪的结果,获取目标位置等信息,经预处理后得到包含位置和方向角的轨迹序列特征。利用改进的Hausdorff距离度量长度不一致的轨迹之间的相似度,然后改进类中心的计算,根据K-means算法对轨迹进行聚类。最后根据聚类结果,分别训练每一种轨迹模式的HMM,利用HMM能够对跟踪后的轨迹进行准确地识别。多组数据上的实验表明,提出的PSO-CT算法能够实时鲁棒地获取目标位置;所训练的HMM对场景中的运动目标轨迹有较高的识别率。在真实场景下的实验显示出PSO-CT能适应实时系统的性能要求。