视频监控是信息获取理论与技术研究的一个重要内容，也是计算机视觉理论与技术研究的一个重要方向，它能够提供直观、准确、及时和内容丰富的信息。因此，它具有非常广阔的发展潜力和应用前景，蕴藏着极大的经济利益，从而促使国内外高校和科研机构投入大量资金和精力进行研究。在视频监控技术中，通常包括人体运动的检测、人体运动的分类与识别、人体运动的跟踪、以及人体运动行为分析四个部分。在目前的视频监控技术研究体系中，人体运动检测与跟踪算法是视频监控系统中的核心技术，也是后续工作的两大基石。监控场景的多变性、摄像机系统的差别以及人体运动间互相运动的复杂性等，既是视频监控技术研究的难点，也是不断研究改进算法的动力。　　 人体运动检测与跟踪的场景主要分为两种:摄像机固定和摄像机运动。其中摄像机固定状态是实际中应用最广泛的场景，例如交通监控、电梯监控、银行监控和停车场监控等，因此本文主要在此场景下进行研究，同时，在参阅大量国内外相关文献资料的基础上，着重研究人体运动检测与跟踪算法。　　 在人体运动检测方面，在综合分析三种主要检测算法（帧间差分法、光流法和背景差分法）的基础上，针对传统的高斯混合模型难以解决目标因光照变化而造成的阴影问题，本文提出了一种改进算法。算法首先实现视频帧图像从RGB颜色空间到HSV颜色空间的转换，然后对其建立高斯混合模型，再根据前景与背景在HSV颜色空间的向量差来检测出目标阴影，最后经过形态学滤波去噪获得运动目标。实验结果表明，无论是在室内还是在室外，相对传统的高斯混合模型，改进后的算法都能够有效地适应光照变化消除阴影。　　 在人体运动跟踪方面，本文着重研究基于Mean Shift的跟踪算法，总结出基于Mean Shift跟踪算法的优缺点。在分析与比较现有改进算法的基础上，采用将Kalman Filter融入Mean Shift算法中，这不仅能发挥Mean Shift算法快速收敛和的长处，还可以结合KalmanFilter预先对人体运动位置进行估计和预测的特点，并根据人体运动受遮挡的情况，将人体分成四块区域，利用四块区域间的相似性来处理遮挡问题。实验结果表明，该算法与基于Mean Shift的跟踪算法相比，能够有效地解决遮挡，且减少了Mean Shift迭代次数和缩短了运行时间。