运动目标的跟踪一直是计算机视觉领域中的难点与热点,它的应用领域很广泛,比如在视频监控领域、人机交互领域以及智能交通领域等。要在各种不同的复杂环境中或者是在有阴影遮挡、场景变换、光照变化、目标短暂性消失在视野中及目标发生形态变化的情况下依然能够很好的进行跟踪,是目前广大视觉研究工作者所要共同解决的问题,也是应用中的焦点问题。基于国内外研究现状,针对运动目标跟踪系统主要面临的运动目标检测和目标跟踪两方面问题,本课题主要的研究内容如下：1.在运动目标的检测方面,对比分析了三种常用的目标检测的方法：光流法、帧间差分法和背景相减法。并通过实验发现背景相减法能够获取运动目标轮廓更加完整,算法复杂度较小,检测更快速。2.在运动目标的跟踪方面,采用了传统的camshift跟踪方法,并通过实验验证了其较强的鲁棒性、自适应性及抗遮挡能力。针对其半自动跟踪模式,进行了算法改进,通过获取运动目标的质心得到质心区域的直方图,实现了运动目标的全自动跟踪。3.为达到更好的跟踪效果,改进了一种新的跟踪算法—TLD跟踪方法。TLD算法是一种同时能够检测、跟踪和在线学习的跟踪系统,它是在金字塔光流跟踪方法的基础上,加入了检测模块、学习模块以及综合模块,能够对跟踪目标进行长时间跟踪,有效的解决了目标遮挡、形变及短暂消失的情况。在实验中将TLD算法中的跟踪模块进行了改进,通过实验证明了该方法可实现在复杂背景或运动背景下对运动目标进行长时间的跟踪,具有较好的稳定性和准确性。