近年来,视频序列中运动目标的检测与跟踪成了计算机视觉研究中倍受关注的热门课题,并被广泛应用于精确武器制导、智能监控等军事和日常生活中。然而由于这一课题的研究内容涉及多个学科领域且应用场合各不相同,因而尽管人们对其做了大量研究工作,但一些重要的问题依然尚未解决。本文正是在对视频序列中运动目标检测与跟踪算法的研究基础上,对国内外常用的检测与跟踪算法做了进一步的改进与完善。在运动目标检测方面,本文重点研究了基于高斯混合背景模型的运动目标检测算法。然而,在模型初始化时,运动物体的存在往往会导致该算法的收敛速度很慢。针对这一问题,本文提出了一种改进算法。该改进算法通过采用在线K-均值聚类的方法对高斯混合模型进行初始化,提高了算法的收敛速度。同时在高斯混合背景模型更新时,通过对匹配准则和新高斯分布生成准则的改进,节约了存储空间。实验结果表明,与传统算法相比,该改进算法能够快速、有效地检测运动目标,具有更好的鲁棒性。在运动目标跟踪方面,本文分别研究了基于Kalman滤波的运动目标跟踪算法和采用颜色直方图作为跟踪特征的Camshift跟踪算法。通过分析发现,当运动目标周围存在着与其具有相似颜色特征的大面积干扰物时,Camshift跟踪算法无法准确地跟踪运动目标。针对这一问题,本文提出了一种将Camshift跟踪算法和Kalman滤波算法相结合的运动目标跟踪算法。实验结果表明,该算法能有效地解决大面积颜色干扰问题。