运动目标检测与跟踪是计算机视觉研究的主要问题之一，它融合了图像处理、模式识别、自动控制、人工智能以及计算机等许多领域的先进技术，在军事视觉制导、视频监控、医疗诊断、智能交通等方面都有广泛应用，因此本课题研究具有重要的理论意义和实际价值。本文主要针对图像序列中的运动目标检测与跟踪算法进行研究，首先讨论了静态场景下常用的运动目标检测算法，然后重点研究了基于相关跟踪技术的目标跟踪算法，以及基于均值漂移算法的目标跟踪算法，并针对其存在的问题做出了有效地改进，提高了目标跟踪的稳定性和鲁棒性。论文的主要工作有：静态背景下的运动目标检测方面，主要研究了瞬时差分法、背景减除法、基于背景图像模型的方法以及阴影检测与去除的方法。针对瞬时差分法提取目标不完整的缺点，本文采用基于块差的运动检测算法，使用自适应阈值对帧差图像二值化，然后采用形态学等后处理，实现了对目标更加精确的提取。目标跟踪算法方面首先研究了相关跟踪算法，针对多点相关跟踪算法运算量大，不能满足实时跟踪的缺点，提出了一种改进的自适应阈值序列的SSDA算法。对模板在图像中按行、列遍历的顺序转变为从图像中心点开始，按螺旋方式向外遍历，并且只将对应于二值化模板图像中像素值为1的像素参与匹配计算，使得匹配求相似度的运算点完全集中在目标像素，减少了计算量，提高了匹配精度，同时采用模板尺寸修正及动态模板更新的方法，保证了跟踪的准确性。然后研究了均值漂移跟踪算法，针对均值漂移算法在目标跟踪过程中没有考虑目标实际的宏观运动，在严重干扰情况下容易跟踪失败的问题，提出了结合目标位置预测的改进的均值漂移算法。算法对跟踪过程中的干扰进行检测，根据目标所受干扰的强弱，采用不同的比例因子将Kalman滤波预测结果与均值漂移算法得到的跟踪结果进行线性组合，改进算法有效利用了目标的空间位置信息，提高了跟踪的可靠性。在均值漂移算法基础上，研究了连续自适应均值漂移(Camshift)算法，该算法在跟踪过程中能够自适应调节跟踪窗的尺度，但是局限于简单背景下的跟踪。本文提出了改进的Camshift算法，在HSV颜色空间采用背景加权三维直方图建立目标模型，将输入图像转化为颜色概率分布图，然后根据目标的运动强弱自适应地结合颜色概率分布特征图与目标的运动差分图像，当目标运动速度较大时，赋予运动特征较大的权重；相反目标运动速度较小时，赋予颜色特征较大的权重，有效地克服了背景中的颜色干扰。