运动目标检测与跟踪作为计算机视觉领域中一项重要的技术,在智能视频监控、自动驾驶、导航制导等应用领域中具有着广阔的发展前景。目前国内外众多学者对运动目标检测与跟踪技术进行了大量的研究,并取得了一定的研究成果。但是在复杂场景下存在着目标阴影、背景变化、目标运动状态转换和目标遮挡等情况,使得运动目标检测与跟踪技术中的背景建模、目标模型构建等问题变得更为复杂,现阶段的运动目标检测与跟踪方法的精度不高或者实时性不够。因此,本文对运动目标检测与跟踪方法进行了深入的研究。　　在图像处理方面,研究了噪声滤波、图像分割和形态学处理等技术。其中,重点研究了基于Otsu算法的图像分割,针对传统Otsu算法存在计算时间长的缺点,本文通过缩小背景差值图像像素类间阀值范围对基于传统 Otsu算法的图像分割方法进行改进,并通过实验验证了该改进方法能够减少背景差值图像分割的处理时间。　　在运动目标检测方面,研究了帧差法、背景消减法和光流法。其中,重点研究了背景消减法,针对传统混合高斯背景模型采用一致的背景更新率而出现的背景更新不及时,从而导致的误检、漏检等问题,本文通过融合帧间差分获取的区域信息来实现不同区域采用不同的背景更新策略,使得背景的更新更能反映场景中背景的变化。通过实验仿真,该改进的模型能够有效的处理大而慢的目标、目标短暂停留和静止目标开始运动等情况,检测的目标结果较为完整。　　在运动目标跟踪方面,重点研究了Mean Shift算法和粒子滤波算法。针对传统跟踪方法采用单一颜色特征的目标模型不能有效的应对当目标颜色信息改变或者被遮挡的情况,本文通过采用加权融合策略将颜色特征和边缘特征进行结合实现目标建模。在粒子滤波算法中,针对粒子在多次迭代后可能出现的退化现象,本文采用Mean Shift算法在检测到的运动目标区域中进行目标状态的最优估计,从而优化粒子的分布,减少粒子数目,提高跟踪效率。通过实验分析,本文给出的运动目标跟踪方法在目标遮挡或者目标颜色信息变化的情况下能够进行目标持续准确的跟踪。