运动目标的检测与跟踪是计算机视觉领域的重大研究课题之一。它融合了计算机视觉、视频图像处理、人工智能、模式识别和自动控制等相关领域的知识。在交通检测、安全监控、机器导航、可视预警、工业检测、电视制导等视频分析和处理领域有着广泛的应用。但由于受到光照变化、遮挡、噪声、背景干扰等诸多因素的影响,现有的算法在实际应用中面临很大的挑战。因此对于本课题的研究具有重要的理论意义和实际应用价值。在分析运动目标检测与跟踪技术发展现状的基础上,本文重点研究了帧差法、光流法、背景差分法等几种常见的目标检测方法以及综合性能较好的Mean Shift跟踪算法。通过实验和分析,深入的解了各种方法的优缺点和适用环境,并从需要处理的噪声、背景干扰、遮挡等实际问题出发,在目标检测和跟踪算法上都提出了改进。本文在目标检测中采用改进的Kalman滤波算法实现对运动目标的检测,即在传统的Kalman滤波算法的背景更新过程中,对获得的含有大量噪声的目标检测结果,利用目标区域上每个像素点的时空域特征统计信息对图像目标进行二次检测,然后把得到的新的目标检测结果更新到预测的背景图像中去。改进方法能够得到更精确的目标,并且对环境具有更强的适应性和鲁棒性。本文还对Mean Shift跟踪算法进行了深入研究,发现该算法存在对背景像素敏感和不能够很好处理遮挡问题的缺陷。在重点分析Kalman预测器、分块颜色直方图和背景加权这三种方法的原理和作用的基础下,本文对传统的Mean Shift算法提出了改进。即在传统算法的基础上,加入Kalman预测器对目标位置的预测功能,改善对遮挡问题的处理；然后在目标匹配的过程中采用背景加权的分块颜色直方图方式建立目标模型,而候选目标模型则采用核加权的分块颜色直方图方式,用于改善背景敏感问题。改进方法能够较好的处理遮挡问题和背景像素敏感问题,有效的提高了跟踪算法的准确性和可靠性。