运动目标检测与跟踪技术作为计算机视觉领域重要研究方向之一,其被广泛应用于智能监控、交通系统和人机交互等多个领域。而在实际的应用场景中,往往存在动态背景、光照变化、遮挡、尺度变化和快速运动等复杂干扰的影响,给运动目标的检测与跟踪产生巨大的困难和挑战。本文针对鬼影及阴影的消除方法、特征融合方法和模型更新策略进行研究,具体研究工作如下:（1）针对视觉背景提取（Visual Background Extractor,ViBe）算法在运动目标检测过程中存在鬼影及阴影问题,提出一种消除鬼影及阴影的改进ViBe运动目标检测算法。针对存在的鬼影问题,提出一种根据欧氏距离及Tanimoto系数计算前景-邻域背景像素灰度直方图相似性的方法来检测及消除鬼影区域,并利用鬼影区域的像素值更新背景模型加快后续帧检测过程中鬼影的消除。针对存在的阴影问题,在YCbCr颜色空间初步确定阴影区域,再对阴影区域图像建立混合高斯阴影模型的方法来进一步检测并消除阴影。通过仿真实验结果表明,改进算法能够有效并快速的消除ViBe算法在运动目标检测中存在的鬼影及阴影问题,算法平均检测速度为29.8 FPS,能够满足实时跟踪的要求。（2）针对核相关滤波（Kernelized Correlation Filter,KCF）算法采用单一特征不能充分的表示目标,以及线性插值的模型更新方法易将错误的目标表现信息引入到模型中,提出了一种特征融合的模型自适应核相关滤波目标跟踪算法。该算法根据响应图峰值旁瓣比与峰值的乘积和相邻帧之间响应差值两个指标,对方向梯度直方图（Histogram of Oriented Gradient,HOG）和颜色名（Color Names,CN）特征响应图进行自适应融合。为了解决线性插值的模型更新方法存在的问题,提出了一种模型自适应更新机制,根据目标跟踪置信度确定模型更新状态,进而对模型进行自适应更新。通过在OTB-2013数据集上仿真实验结果表明,改进算法跟踪精度与成功率得到较大提高,跟踪精度为0.822、成功率为0.596,算法平均跟踪速度为28.6 FPS,能够满足实时跟踪的要求。（3）针对Siam RPN算法易受相似物体干扰及缺乏模型在线更新问题,提出了一种融合注意力机制与模型自适应的Siam RPN目标跟踪算法。该算法在离线训练过程中,通过增加训练样本中正样本对种类及负样本对,并引入特征空间注意力机制,来提高训练模型对运动目标和背景中相似物体的判别能力。在在线跟踪过程中,提出了模型在线自适应更新机制,通过计算目标模板特征向量和跟踪目标特征向量的余弦值作为跟踪置信度指标,来判断当前帧模型更新状态,进而对模型进行在线自适应更新。通过在OTB数据集上仿真实验结果表明,改进算法极大的提高了算法综合性能,跟踪精度为0.891、成功率为0.670,算法平均跟踪速度为36.8 FPS,能够满足实时跟踪的要求。