本文围绕基于视频的人体检测和目标跟踪技术中面临的一些关键问题展开深入研究，并取得了相应的进展，具体包括：在人体检测方面，通过对CENTRIST特征进行分析，提出了T-CENTRIST特征，该特征在保留了CENTRIST特征的计算简单，实时性强的特点的同时，能够更好的描述行人轮廓信息，提升行人检测精度。另外，为了适应复杂环境中行人目标的遮挡问题，提出了一种增强型的级联分类器构造方法——EC-LAMM，该方法通过利用改进的AdaBoost算法和基于LAMM的遮挡检测算法，实现了对遮挡行人的检测，提升了基于视频场景的人体检测算法的精度。在目标跟踪方面，本文从两个方面进行研究和探讨：单目标的长期跟踪和多目标的跟踪。通过分析单目标长期跟踪所需要解决的两个问题，我们提出了一种基于自主选择学习的单目标长期跟踪方法，该方法结合简单的区域生长方法和Sobel边缘提取方法提取了被跟踪目标的特征点集，并将其应用在PLK跟踪器中实现了目标的实时跟踪；为了适应目标随场景的变化，提出一种训练样本的选择机制，自动选择跟踪稳定的帧补充到训练样本集合中，并应用SVM更新目标检测器。针对多目标跟踪面临的一些问题，提出了WIHM模型，该模型能够对目标的表观模型进行更好的描述，并能够适应目标在场景中的不断变化。借助Online AdaBoost特征选择算法，本文实现了多目标的在线跟踪；为了解决多目标跟踪中存在的遮挡问题，本文使用了相应的遮挡判别机制实现对遮挡情况的识别。通过在公开的测试视频集合上对本文提出的人体检测和目标跟踪算法进行测试，并对比了当前一些常用的算法，进一步验证了本文算法的有效性。