运动目标检测与跟踪是计算机视觉研究领域中的重要前沿课题,其涉及模式识别、人工智能、视频图像处理等多个领域的先进科学技术,也被广泛地应用在智能交通、军事、视频监控等多个方面,因此对运动目标检测与跟踪的研究具有重要意义和实用价值。目前,弱小运动目标的检测算法和在光照变化、目标遮挡和姿态变化的情况下运动目标的跟踪算法是运动目标的检测与跟踪领域的未很好解决的关键技术问题。本文针对以上关键技术问题,对静态场景下运动目标的检测与跟踪的主要方法做了研究。对传统的一些算法做了改进,并且通过编程实现了这些算法。而且关于检测处理效果和运行时间,对有关算法进行了比较分析。在运动目标检测方面,提出了三帧差分与基于混合高斯模型结合的运动目标检测新算法。首先介绍了一些常用的目标检测算法,如帧差法、光流法和背景差分法,同时又比较了三种方法的适用范围和优缺点;然后对背景差分法中的常用的几种背景建模算法进行了阐述,如中值法、滑动平均法、W4方法和混合高斯建模法等;由于三帧差分法不能完整的提取出运动目标,背景差分法对场景变化敏感,提出了三帧差分与混合高斯模型结合的新算法,并根据结合方式的不同,给出了三种不同的新算法;最后关于检测效果和处理时间,通过实验对帧差法、三帧差法、基于滑动平均法建模的背景差分法、单高斯背景建模法、混合高斯背景建模法以及三种新算法作了分析与总结。实验结果表明,提出的新算法或结合的处理效果优于其他算法,为后续的运动目标跟踪奠定了良好的基础。在运动目标跟踪方面,提出将新检测方法与TLD算法结合的运动目标跟踪方法。当前盛行的Tracking-Learning-Detection(TLD)目标跟踪算法由跟踪、检测和学习三个模块构成。它能够实现单目标的长时间跟踪,但是当光照变化、目标遮挡和姿态变化的情况下,它的跟踪效果不佳。本文针对以上问题,提出将新检测方法与TLD算法结合的目标跟踪方法。该方法较好地解决了在目标严重遮挡和姿态变化的情况下的目标跟踪问题,提升了跟踪算法的鲁棒性和准确性。