运动目标的检测与跟踪是计算机视觉的核心问题,它融合了图像处理、模式识别以及人工智能等多领域的技术,在视频编码、智能监控、视频分析以及军事等领域有广泛的应用,是目前研究的热点问题之一。实践表明目标的检测与跟踪技术还远未成熟,要开发出真正鲁棒、实用的检测与跟踪系统还需要更为鲁棒的算法,为此,本文着重从以下三个方面进行研究和探讨。首先,针对传统混合高斯分布模型计算量大的问题,提出像素点分类建模算法。对处于单模态的像素点使用单高斯分布模型建模,对处于多模态的像素点使用混合高斯分布模型建模,基于不同问题分类处理,提高了系统的实时性。其次,针对Mean Shift算法提取目标特征易受背景像素影响的问题,提出背景相似度算法来降低背景像素的权值,优化目标特征的提取。同时,引入边缘检测算法提取目标的尺度,解决Mean Shift算法无法适应目标尺度变化的问题,并给出了目标模板更新策略。然后,针对Mean Shift算法不能适应目标运动速度过快或受到大面积遮挡的问题,引入Kalman算法对目标位置进行预测,提高了Mean Shift算法跟踪的鲁棒性。并且采用模板匹配算法,在目标丢失时重新锁定被跟踪目标。最后,建立实验平台,基于提出的算法取样大量视频进行仿真实验,据实验效果表明检测与跟踪的鲁棒性都得到改善,验证了算法的有效性。