本文主要针对视频序列中运动目标的分割与跟踪算法进行系统的分析和研究。首先，本文对近年来国内外在该领域的研究现状进行了深入分析，然后在分析视频的成像模型、视频的运动与补偿特性及其相关理论的基础上，深入的研究了视频序列中运动目标的分割、目标特征的选择、目标识别跟踪等方面的理论与方法，并提出了相关的实现算法，最后通过对比实验，验证本文提出的算法的可行的，体现了本文算法的优点。本文的主要研究内容及创新点在于： 1、在研究SOFM网络的基础上，提出采用Kononen自组织特征映射神经网络以大的类别数进行自组织聚类，将图像象素根据灰度特征的不同聚类为不同权值的区域，使得图像被过分割，然后对过分割后的图像按聚类权值的大小逐类提取出各区域，再对提取出来的各类区域进行分块和标记处理，最后将标记区域采用一种多度量模糊合并准则进行迭代合并，用于解决场景图像的空域自动初始分割问题，为后续图像处理提供分割区域。通过对比实验表明，本文算法优于传统的Canny算法及Watershed算法的分割效果。 2、提出了一种新的背景自适应生成策略，并用于对视频运动目标的分割。该方法通过静态分割和帧差运动检测结果相结合，对运动目标区域进行检测并插值填充其覆盖的背景区域，获得首帧参考背景，然后结合当前帧和前一帧图像及其参考背景，根据相邻帧间亮度补偿动态生成当前帧参考背景，实现背景实时更新。再采用减背景方法对目标进行粗提取，最后经目标阴影去除和形态学处理后分割出精确的运动目标。实验结果表明，该方法是有效可行的。与采用高阶统计模型的背景生成方法相比，该方法不需对过去的m帧视频进行存储和统计分析处理，降低了计算复杂度，提高了处理速度。 3、对Snake动力学模型进行了研究，提出一种时空联合双重约束Snake算法的运动目标分割方法，该方法利用待分割帧图像的灰度梯度及其和相邻帧图像的时域信息，构造一种时空联合双重约束的外部能量函数，实现对Snake曲线的变形和收敛。Snake曲线初始化时，通过将相邻帧图像进行减运算，得到运动目标的大致区域，等间隔提取以该区域的外接矩形的长和宽为轴长的椭圆形上的N个点，作为Snake的初始化轮廓进行迭代运算，结合构造的外部函数进行轮廓的变形和收敛。实验结果表明，该方法曲线迭代次数和分割精度都优于常规的Snake算法的处理结果，可精确的分割出非刚体的运动目标。 4、提出了用于目标特征提取的归一化模糊隶属度函数。考虑到现实场景中目标的特征通常具有一定的波动范围，从而容易导致对目标的误分类识别。由于在模糊逻辑理论中，模糊系统可以表示多变的、不精确或不确定的知识或信息。因此，引入了模糊的概念，用模糊隶属度函数来描述目标的特征，通过对目标特征进行归一化模糊处理，得到目标的模糊特征向量，从而实现对目标特征的表达。该方法的主要优点是能适应跟踪场景中目标特征的波动，降低特征波动情况下的误识别率。 5、提出了一种逐步精细匹配的混合特征跟踪方法，该方法主要由两个过程组成：粗匹配和细匹配。在跟踪过程中，如果粗匹配达到对目标的识别要求，就不需进行细匹配，这样可大为减少系统的计算量，提高系统的跟踪反应时间，特别是在场景中有较多目标需要跟踪的情况下，效果尤为明显。粗匹配是采用目标的象素级空域特征和现存的空域模板进行相关运算，用多个阈值界定匹配的相关度范围，根据相关度的值决定是否要进行进一步的细匹配。细匹配过程采用目标和模板的参数化特征向量进行相似度判别，从而实现对目标的跟踪。跟踪的同时，计算出目标的质心点位置，在质心点位置对目标进行标号，并用Kalman滤波器对此目标在下一帧中的质心点位置进行预测，用于处理多目标运动过程中的遮挡与交会问题。实验分析表明，该方法在多目标跟踪情况下能明显提高跟踪反应时间。