运动目标检测与跟踪是计算机视觉领域的一个重要研究课题，也是该领域的研究热点。近年来，大量研究人员对其进行了广泛而深入的研究，并针对各种应用环境提出了许多卓有成效的解决方法。然而，由于实际场境的复杂性和不确定性，如目标的非线性形变、光照的变化、遮挡以及背景噪声干扰等，现有的算法仍存在许多有待解决或改进的问题，因此开发出通用的、精确的、鲁棒的、实时的运动目标检测与跟踪算法仍然是一项非常具有挑战性的课题。因此，对复杂场景下的运动目标检测与跟踪的研究具有十分重要的理论意义和很高的实用价值。本文的主要研究内容及创新点可以总结为以下几个方面：(1)在传统目标检测算法（帧间差分法、背景减除法和高斯背景模型方法）的基础上，针对传统帧间差分法和背景减除法在复杂背景、光照变化等情况下影响目标检测的问题，提出了一种基于三帧差分法和自适应混合高斯模型结合的目标检测方法。该方法首先采用自适应高斯混合模型动态地构建背景模型，通过背景减除法检测出运动目标区域；然后再通过帧间差分法在相邻三帧连续的灰度图像上进行差分操作获取运动目标区域；最后对这两种方法获得的候选目标区域进行综合处理，提取出运动目标位置。该方法融合了三帧差分法和自适应混合高斯模型检测方法的各自优势，能够快速准确地建立并更新背景模型，克服光照变化和背景噪声与干扰，准确分割前景目标。(2)针对Camshift算法采用单一颜色特征构建目标模型难以对复杂环境都具有足够的鲁棒性，提出了一种基于多特征自适应融合的Camshift目标跟踪算法。该算法是在Camshift算法的基础上，基于颜色特征和纹理特征分布构建目标模型，利用Bhattacharyya系数计算当前帧候选模型与目标模型两者之间的相似度，并根据各自特征在构建目标模型上的贡献度动态地计算融合权重的自适应值，实现了跟踪过程中目标模型的自适应更新，提高了跟踪算法的跟踪精度和抗干扰能力。为了解决遮挡情况下的目标跟踪问题，本算法还采用了三点预测估计法处理跟踪过程中的遮挡问题，有效解决了目标形态变化和部分遮挡现象。(3)针对Camshift目标跟踪算法在相似目标和背景干扰时会因模板更新而发生模板漂移的问题，本文引入了粒子滤波目标跟踪算法。粒子滤波因其能够有效地解决非线性非高斯系统的估计问题被广泛应用到目标跟踪领域，但是传统粒子滤波算法存在粒子退化和多样性丧失的问题。为此，本文提出了一种基于动态自适应进化策略的粒子滤波目标跟踪算法。该算法在传统粒子滤波跟踪算法的基础上，首先根据颜色特征和纹理特征的分布构建目标观测模型，并采用多特征融合策略计算各视觉特征在目标观测模型的贡献度，自适应更新目标观测模型。然后在目标跟踪过程中因粒子退化而开启基于动态自适应遗传进化机制的重采样过程，通过对粒子集的选择、交叉和变异等进化行为，增加粒子的多样性并保证粒子的有效性。在粒子滤波的重采样过程中，由于引入了基于动态自适应遗传进化的策略，有效地增加粒子的多样性并缓解粒子因重采样带来的粒子贫化问题。该算法因在粒子的重要性概率密度函数和重采样两个方面对传统粒子滤波进行了改进，有效地加强了在光照变化、跟踪目标形态变化、相似目标干扰以及发生遮挡现象时的抗干扰性能和跟踪精度。本论文从上述几个方面对视频复杂场景中运动目标检测与跟踪的关键技术，如运动目标检测与分割、目标特征提取与描述以及目标实时、鲁棒的跟踪等，进行了深入地研究与探讨，提出了一些有效的解决方案，并在目标检测与跟踪的实际应用中验证了本文改进方法的有效性。