本论文的主要工作是研究在复杂运动趋势下对多个目标的动态和静态情况的持续跟踪。主要研究对象是视觉场景中的运动目标。首先,提出基于“帧间差分”的噪声抑制算法对图像进行预处理,可以有效去除帧间随机分布的噪声,又能保留帧间连续运动的目标；其次,在条件统计形态学背景差分方法的基础上,提出了基于运动历史图像的改进型运动识别分割方法。算法通过条件统计来提取目标前景,将此前景二值图像作为本算法的输入图像,根据运动空间和时间上的相关性对运动历史图像进行运动分割,对分割得到的独立运动块再次进行去噪处理后,计算每个运动块的整体运动方向和运动速率,然后通过直方图统计分析估计整个目标运动情况。通过实验对比证明,本算法对运动状态的目标跟踪能有效跟踪,而且改进算法比原算法在时间复杂度和实时性方面都有所提高；再次,对静态下的目标提出了基于改进型Camshift算法的自适应统计建模算法,算法首先通过对Camshift算法的加权改进来确定跟踪目标的“感兴趣区域”(ROI),针对此ROI热区进行自适应特征统计建模,从而可以有效对目标的特征状态进行记录,在目标再次处于静态时进行模板匹配,有效节省了算法的时间复杂度,并,具有比较强的锁定静止目标的优势；最后,对于同一目标在运动状态和静止状态连续或交替性状态转换时提出了跟踪转换关联函数,从而实现了对多个目标持续而有效的跟踪,并且通过实验证明性能优于其它同类算法。