游泳作为一项强身健体的大众运动,受到人们的普遍欢迎,但游泳池中频发的溺水事故也随时威胁着游泳者的生命安全。水质浑浊、人声嘈杂、自身注意力和精力有限等原因,都可能造成救生员不能及时发现水下的异常情况从而延误了救援时间。因此,急需一种智能溺水报警系统来辅助救生员的工作。　　实时的运动目标检测与跟踪是智能溺水报警系统中的关键步骤。由于水下是一个动态场景,易受到光照、水波、气泡等因素影响,且游泳者是非刚性目标,这些都给水下的运动目标跟踪带来了很大困难。　　为了实现水下视频监控中快速、稳定的目标跟踪,本文主要针对水下环境的复杂性特点,对运动目标检测与跟踪技术进行研究,主要工作如下:　　1)通过对水下环境中存在的水波、气泡、光斑等问题的分析,总结了水下运动目标跟踪过程中存在的难点问题;采用时间平均法和像素灰度归类法对水下背景进行重构,并在此基础上采用背景差分法进行目标检测;为了适应光线变化、水波扰动对背景的影响,利用卡尔曼滤波建立自适应的背景模型。　　2)针对水下目标的特殊性,建立基于RGB核直方图的目标模型,将均值漂移算法应用到水下运动目标跟踪中,提出了基于Mean Shift的水下运动目标跟踪算法。实验结果表明,该算法实时性好,在目标发生形变、受到背景扰动的情况下都表现出较好的跟踪效果,但目标定位不够准确。　　3)为了更好的解决目标遮挡问题,得到更加准确的目标跟踪结果,在粒子滤波理论框架下,提出了基于粒子滤波的水下运动目标跟踪算法,并在跟踪过程中自适应的更新模板以适应自身形变和其他外界因素的干扰。实验结果表明,该算法更好的解决了目标遮挡问题,并且在跟踪快速运动的物体时表现出了较优秀的性能,同时定位更加准确,但与基于Mean Shift的水下运动目标跟踪算法相比,该算法的实时性略差。　　4)为了兼具均值漂移算法的实时性和粒子滤波算法的鲁棒性,将Mean Shift和粒子滤波相融合实现了水下运动目标跟踪算法。对粒子进行重采样后,使用均值漂移算法对粒子进行收敛,使粒子的分布更加接近目标的真实位置。由于每个粒子表示的状态更加合理,因而算法对粒子数量的需求大大降低。实验结果表明,与传统的粒子滤波算法相比,实时性得到了提高,在背景混乱和发生目标遮挡的情况下实现了快速、稳定的目标跟踪。