视频监控技术从早期的第一代模拟监控发展到第二代数字监控，再到如今的网络视频监控，在短短二十年时间内得到了飞速发展。最近几年，研究人员将计算机视觉技术融入到视频监控领域，形成了智能视频监控技术，从而实现了视频监控的无人化、自动化。智能视频监控技术能实时地对场景中感兴趣的目标进行检测、定位和跟踪，能通过对目标行为的分析和理解实现行为预测。该技术作为计算机视觉领域的前沿研究方向，已经成为学术界和工程领域研究的热点，目前已经成功运用于安防、商业、交通、军事、航空航天等众多领域。运动目标检测和跟踪是后续各种高层次视频图像处理、理解和应用的基础，是智能视频监控技术中最为关键的两项技术。本文在深入分析各种运动目标检测算法的基础上，提出一种基于分层码本模型的背景差法运动目标检测算法。在码本模型构造方面，分层码本模型基于图像的高斯金字塔，利用金字塔高层的检测结果只含有前景目标大致轮廓，可以更有效地排除噪声的影响；利用金字塔低层的检测结果含有更多的细节，可以提取更为精确的前景轮廓。在码字描述模型方面，针对原始码字颜色空间模型是在RGB的圆柱体模型，本文提出将模型简化为空间立体盒，并将颜色空间转换到YUV空间，即码字的描述模型在YUV空间用长方体表示。在详细介绍各种目标跟踪算法的基础上，首先提出一种基于CenSurE特征点的粒子滤波跟踪算法。目标模型和候选模型相似度的度量采用特征点匹配的个数和特征点相对坐标位置相结合的方式。特征点的匹配只选取图像中包含粒子集的最小矩形区域并采用K最近邻分类算法实现特征点的快速匹配。在跟踪过程中动态调整目标模型中的特征点使其能适应目标外观的变化。然后，针对基于单一特征信息的粒子滤波跟踪算法准确性不高、在复杂场景中可能失效的问题，提出一种采用颜色信息和CenSurE特征点信息自适应融合的粒子滤波跟踪算法。该算法能在单个特征失效的情况下依然能采用另一种特征对目标进行有效的跟踪。最后，为了防止多特征的跟踪算法退化成为单特征跟踪算法，对多特征信息的可信度进行了详细的分析，并加入了前景目标检测的结果对跟踪结果进行反馈修正。实验结果和算法性能分析表明，本文提出的基于分层码本模型的背景差法运动目标检测算法能较好地处理复杂背景的情况，前景目标的检测结果优于混合高斯背景模型和其他码本模型，算法能满足实时性的要求。本文提出的基于CenSurE特征点的粒子滤波跟踪算法能在目标颜色信息失效的情况下实现稳定的跟踪；反馈型多特征自适应融合的跟踪算法能适用于复杂场景中对跟踪精度要求非常高的情况。