运动目标的检测和跟踪作为数字图像处理和计算机视觉领域的热点,在自动导航、交通监控、国防军工等领域都具有十分高的应用价值。过去几十年,众多研究者在目标检测和跟踪领域进行了深入的研究,但是由于应用场景复杂多变、目标运动规律复杂等因素,导致目标的检测与跟踪技术无法得到大量广泛的使用。因此,设计一种适用性强的目标检测与跟踪算法有着重大的意义。针对目标跟踪检测的有效性与准确性,本文在融合帧差法的混合高斯模型目标区域提取基础上,研究基于多特征的粒子滤波目标跟踪算法,并且利用BP神经网络调整与改进粒子滤波跟踪算法。论文主要的算法改进和成果如下:一、提出一种融合帧差法的混合高斯模型获取运动目标区域。混合高斯模型不能完整的检测运动前景区域,容易将背景错误混淆成前景。本文通过融合帧差法和混合高斯模型,通过区分背景凸显区域与前景区域,利用不同的学习速率来完整的提取目标运动区域。二、提出了基于多种特征融合的粒子滤波跟踪方法。针对单个特征的跟踪模型算法精度低,适用性差等问题。本文提取目标的颜色特征和HOG特征,构建多特征观测模型,通过该特征模型进行粒子滤波目标检测与跟踪。实验表明该算法准确性更高。三、提出了一种通过BP神经网络改进多特征融合的粒子滤波跟踪算法。传统的粒子滤波算法具有粒子退化问题,粒子数越来越匮乏。本文利用BP神经网络反向传播来调整更新粒子权值,增加粒子的多样性,通过结合多特征模型,改善算法的滤波性能,并且提高了目标跟踪的精度。本文通过以上三个方面对粒子滤波的目标检测跟踪算法做了优化改进,实验结果表明,在复杂的场景如发生遮挡、背景相似、运动规律多样复杂等情况下,目标跟踪的误差得到缩减,精度获得了相应的提升。