近几年,随着计算机视觉技术的兴起,运动目标检测与跟踪技术在军事制导、智能视频监控、智慧城市等多个方面得到了广泛的应用。由于实际应用场景多样性,传统运动目标检测与跟踪算法在很多复杂场景如:动态背景、初始帧存在运动目标、目标间歇性运动、目标形变、目标旋转、背景杂乱、目标遮挡以及尺度变化等场景下,检测与跟踪性能不佳。因此,为了提高传统算法在以上复杂场景中的检测与跟踪性能,论文对传统的运动目标检测与跟踪算法进行了改进,论文所做工作包括:（1）针对传统视觉背景提取算法（Visual Background Extractor,Vi Be）在动态背景、初始帧存在运动目标、以及目标间歇性运动场景下,容易出现误检和漏检等情况。论文提出了一种基于时空样本的背景建模方法,充分结合时域背景建模性能较好的高斯混合模型（GMM）算法以及空域背景建模较好的Vi Be算法的优点,并在前景点检测与背景模型更新上对传统算法进行自适应改进。经实验证明论文算法较传统算法在综合评价指标measure F-上约提高了8%,大大提高了算法在复杂场景下的鲁棒性。（2）针对传统的核相关滤波目标跟踪算法在外观模型建立上采用单一特征,在目标发生形变、目标旋转以及背景杂乱等复杂场景下跟踪精度低等问题。论文提出了一种基于多特征自适应融合的核相关滤波目标跟踪算法。首先分析了不同特征单独响应的峰值图;然后根据不同特征在不同场景下响应峰值图的置信度,采用响应峰值图的次峰主峰比（RSFM）对不同特征分配不同的权重;最后根据融合后的特征进行相关响应确定跟踪目标的位置。经实验证明论文算法在目标发生形变、目标旋转以及背景杂乱等复杂场景下较传统的算法在跟踪精度和跟踪成功率上均有明显的提高。（3）针对传统核相关滤波目标跟踪算法在目标被遮挡以及尺度变化场景下容易导致跟踪丢失等问题。论文提出了一种分块抗遮挡与尺度自适应的核相关滤波目标跟踪算法。当目标被局部遮挡时,论文算法可根据未发生遮挡的子块和全局块联合确定目标的位置;当目标被全局遮挡时,论文算法会自动扩大目标搜索区进行重检测。在跟踪器模型更新上提出了一种遮挡检测机制来自适应的更新模型;在目标发生尺度变化时,论文算法可以根据各个子块的聚合程度来选择相应的尺度因子,进而自适应的调节跟踪器的尺度。经实验表明论文算法在目标遮挡和尺度变化场景下较传统的核相关滤波目标跟踪算法在跟踪精度上约提高了17%和16%,在跟踪成功率上分别提高了20%和13%。