目标检测与跟踪是计算机视觉领域的重要研究课题之一,它融合了图像处理、模式识别和人工智能等众多学科技术,被广泛应用于军事制导、智能交通、航空航天等许多重要领域。近年来国内外研究者提出了许多高效的算法,但在实时场景下,目标形变、光照变化、阴影干扰和遮挡等问题仍是影响算法鲁棒性的关键。本文从三个方面进行了研究：图像预处理、目标检测、目标跟踪,并提出了基于改进的混合高斯模型的检测算法和改进的均值漂移跟踪算法。本文论述了图像处理过程中使用的预处理技术,分析了这些处理方法用于改善图像质量方面的优势,为后续的目标检测与跟踪提供理论基础。在目标检测方面,介绍了常用的目标检测方法,讲述了背景差分法中常用的背景建模方法,并重点研究了高斯建模中的混合高斯模型,指出了传统的混合高斯模型存在的问题。对此问题提出了解决方案：在光照变化方面,提出了一种四邻域在线更新学习率的方法；在运动突变方面,为更新率引入一个参数pt,并同时为方差引入一个稳定常量因子φ2,保证更新率和方差的同步更新。在阴影消除方面,采用了最大色差差分法,使用色度差分代替灰度差分。实验表明,本文改进的检测算法可以取得显著的效果。在目标跟踪方面,对均值漂移算法的原理进行了研究,包括多维空间下的密度估计、均值漂移向量等。提出了一种改进的均值漂移算法,算法采用垂直投影法将目标分块,在目标区域内的不同位置构建不同的核函数加权直方图,并对目标模版和候选目标模版进行相似性度量,利用均值迭代进行目标定位。在跟踪过程中,利用分量的反投影运算进行目标形变和遮挡的判定,并对目标模板和子块权重进行实时更新。实验表明,本算法具有很好的鲁棒性。