近年来,运动目标检测与跟踪已经成为一个研究热点。从技术的角度来说,这属于视频处理的范畴,研究内容涉及到图像处理、模式识别、计算机视觉等多个方面；从实用价值的角度来看,它是智能视频监控系统建设中的关键技术,无论是在军事应用中,还是在人们的日常生活中,智能监控都具有重要的应用价值,与国民经济发展具有密不可分的关系。所以,这一课题的研究具有重要的研究意义和广阔的应用前景。运动目标检测是智能视频监控系统中最关键的内容,也是最直接关乎系统的效果的部分。本文首先对运动目标检测算法做了研究,介绍了三种传统的运动目标检测方法：背景相减法、帧间差分法和光流法。以算法理论依据为出发点,根据目标检测算法原理,从以下四个角度：检测目标信息的全面性、算法的抗干扰性、目标检测算法的实时性和在动态场景下的有效性进行探讨比对,详细总结了各个方法的优劣势所在。并对帧间差分法做出了改进,提出一种对称帧差法,对连续三帧图像做处理,并进行了实验仿真,效果良好。本文最突出的工作是从遗传k均值聚类的角度实现了运动目标的检测。根据背景相减法理论,只要建立背景模型就可以实现运动目标检测。而通常所采用的混合高斯模型和基于核估计的方法具有各自的缺点。考虑到每个像素点在时间轴上的分布,可以进行聚类的处理,从而区分出运动目标和背景,达到检测的目的。通过对各种聚类算法详细的比较,确立了遗传k均值算法的优势地位。根据算法原理,采用这种聚类算法对视频中的样本帧图像进行聚类分析,根据像素点出现的频数作为判别标准来区分像素点是属于背景还是运动目标。这种基于遗传k均值的运动目标检测方法对于动态背景模型具有较好的适应性,能够对背景的动态变化作出更新与调整。而且,不需要大样本数据的采集分析和大容量存储。另外,本文对运动目标跟踪算法也做了一些研究工作,对目标跟踪的理论基础做了深入的研究探讨,比较了卡尔曼滤波和粒子滤波的性能,并根据均值漂移理论做出实验仿真,实现目标跟踪。