目标的检测与跟踪是指从包含目标的序列图像中，检测、识别和跟踪目标。对目标进行检测和跟踪，并进一步对目标进行分析，可以应用于安全监控、虚拟现实、人机交互及移动机器人导航等许多领域。同时，目标识别和跟踪问题的研究具有较高的学术价值和理论意义，近年来已经成为国际上研究的热点问题之一。　　 本课题重点研究基于机器视觉的目标识别及跟踪方法，取得了如下主要研究成果。　　 （1）提出了一种基于Adaboost算法与神经网络相结合的单目视觉下物体的识别方法。本方法是在类似Haar特征基础上，利用AdaBoost算法来判断待测区域是否包含被识别物体（以电池为例）的特征区域，利用神经网络对被识别物体进行识别。实验结果表明：在自然复杂场景中，所提出的方法不仅能够成功地定位被识别物体（电池），还成功的拒绝了非电池区域。方法中神经网络的采用提高了离散AdaBoost算法的识别能力。　　 （2）提出了一种基于颜色块的目标识别方法。该方法中最关键的是找出色标特征点在摄像机所拍摄图像中的坐标，本文将色标特征点的坐标提取分为粗定位和精定位两个过程。粗定位是在相机采集的原始图像中根据色标的颜色信息，在HSV空间中对图像进行分割，由此确定色标的位置，然后跟踪这个色标，当跟踪失败的时候，系统会再次触发色标检测的过程，确定当前色标的位置。精定位是根据粗定位得出的色标的中心位置和色标的大小，从原始图像中剪切得到目标图像，从目标图像入手，检测色标的轮廓，通过K-L变换对轮廓点进行分类，确定各个边的轮廓点，通过最小二乘法对各个边的轮廓点进行拟合，分别得出四条边的直线方程，根据直线方程计算四个顶点的亚像素精度坐标。　　 （3）提出了一种基于AdaBoost算法与肤色信息相结合的人脸识别方法。该方法用肤色分割和形态学算子研究待测人脸的全部图像，最终脸部区域的确定是通过AdaBoost算法指导级联分类器来获得。论文对所提出人脸设识别方法进行了不同颜色图像下的实验，并与其他相关方法进行了比较，实验和比较结果证明了所提出的方法的有效性和实用性。　　 （4）CamShift算法是基于图像的颜色概率分布跟踪目标的，它主要适用于与背景相比具有明显色彩差异的彩色目标跟踪。本文在对CamShift算法原理进行分析的基础上，给出了其应用于目标跟踪的具体实现过程。　　 本论文的研究工作得到了国家自然科学基金（60774077）、国家863计划（2007AA042226）、北京市教育委员会科技计划面上项目（KM200810005016）和北京市教委科技创新平台项目（0020005466018）的资助。本文的研究工作对基于机器视觉的机器人目标识别及跟踪方法的研究有参考意义。