图像序列中的运动目标检测与跟踪是数字图像处理和模式识别以及计算机视觉领域研究的主要内容之一。在机器人导航、安全监控系统、医学图像分析和虚拟现实等领域都有广泛的应用。对于目标跟踪系统,其核心主要包括两个部分:一是运动目标的检测与提取;二是运动目标的跟踪。本文对复杂背景下行人运动目标的检测、提取和跟踪等问题进行了研究。在目标检测问题上,着重对基于复杂背景的检测方法进行了研究分析,讨论了背景的初始化及背景模型的建立和更新的各类方法原理。改善了原有的IIR滤波背景更新算法,提出了一种基于检验假设的背景更新系数获得方法,可以针对不同序列自适应地进行背景更新。实验表明,综合考虑方法的有效性和算法的复杂程度,该方法具有实际可行性;利用该方法进行的目标检测结果可为下面的提取提供较为理想的背景差分结果。在运动目标提取问题上,为了从前景点中将行人目标完整分割提取出来,获得各种用于目标跟踪的特征描述,本文在对差分图像进行阈值分割的基础上,结合形态学滤波及连通性检测方法去除前景噪声及区域内空洞。并在获得完整目标区域后,为后续的目标跟踪建立特征向量。通过实验验证算法可以有效地从差分图像中较为完整提取目标,算法具有较好的实时性。在分析了Camshift算法和Meanshift算法的基础上,通过Bhattacharyya系数来判断运动物体的遮挡情况,进而选择Kalman或者粒子滤波算法对遮挡情况下的运动物体进行跟踪,并给出仿真结果及分析,在一定程度上验证了本文算法,兼顾了Camshift算法在计算量上的优势和粒子滤波算法有效性高的优点。在本文的最后,利用OpenCV库在Windows平台下设计了一个小型的视频运动分析系统,对本文的算法进行演示和分析,验证算法的实时性及有效性。