运动平台下的目标检测与跟踪技术在无人机巡查、自动驾驶等应用领域发挥着重要的作用,具有很高的研究价值。在机载平台、无人车等运动场景中,拍摄所得的视频序列,不仅包含所需的目标运动信息,还会包含背景运动的信息,而背景运动信息的存在会增加检测的难度,难以确保目标检测的准确性。目标跟踪方面,需要一个鲁棒性好且能够对目标进行长时间跟踪的算法。针对目标检测的问题,本文完成了动态背景的运动补偿,对补偿后的视频序列进行运动目标检测。而针对目标跟踪的问题,本文选用能够长时间对目标跟踪的TLD算法,并针对其不足进行改进,提高了TLD算法的鲁棒性,完成对目标的准确跟踪。针对背景运动影响目标检测的问题,本文提出了一种基于双向匹配和区域归并的目标检测算法。该算法采用双向匹配法去除误匹配的SURF特征点对,并将特征点分为前景点和背景点两部分,利用背景点计算仿射变换矩阵,提高了仿射变换矩阵的准确性,对背景运动进行补偿,消除背景运动对目标检测的影响。接着对补偿后的图像采用帧差法和形态学操作,完成对目标的初步提取。最后,利用颜色、位移和位置信息对目标进行归并处理,完成运动目标的检测。经过实验验证,该算法可在运动背景下准确检测出运动目标,在复杂背景和光照变化下也具有较好的鲁棒性。针对运动目标跟踪问题,本文提出了一种TLD改进算法。TLD算法能够在线学习并能长时间对目标进行跟踪。但TLD算法的跟踪模块计算量较大,导致算法的跟踪速度慢,同时,TLD算法对于光照强度变化的鲁棒性较差。针对以上不足,本文提出了一种KCF和HOG结合的改进TLD目标跟踪算法。该算法将KCF算法作为跟踪模块,利用循环矩阵将计算从时域转换到频域,大大降低了计算量,提高了算法的跟踪速度;计算目标的HOG特征,代替原有的灰度特征,通过图像的归一化,降低光照强度对检测的影响,增加了检测器检测成功率,提高了算法的鲁棒性。最后完成了在OTB2015数据集上的实验对比分析,实验表明,改进TLD算法的一次性通过评估（OPE）精确度达78.7%,成功率达74%;在光照变化下的OPE精确度和成功率也高出TLD算法15%以上;测试视频的跟踪速度达TLD算法的2倍,具有较好的实时目标跟踪能力。