运动目标的检测与跟踪是计算机视觉研究领域中重要的研究方向之一,运动目标检测处于运动目标跟踪的最底层,是运动目标跟踪的基础,从视频场景中准确的检测到运动目标,对于运动目标的跟踪有重要的意义。运动目标的跟踪的准确性除了与运动目标检测的准确性有关之外,还与其周围环境的变化有关。目标跟踪算法的稳定性、精确性和实时性已成为一个重要的研究课题。本论文主要研究静态场景下运动目标的检测方法和跟踪方法。针对运动目标的检测问题,本文首先介绍了常用的静态场景下的运动目标检测方法,然后研究了一种检测方法以解决背景局部区域快速发生变化的情况,即采用原来是背景的物体变为前景的检测方法,通过融合背景模型帧间差分法,高斯混合模型和码本模型的算法,并利用背景模型帧间差分法可以将物体区域分为背景区域和运动区域,再融合高斯混合模型和码本模型,可以更加精确的在不留拖影的情况下完成目标的检测。实验证明该算法可以实时精确的提取出运动目标。针对运动目标的跟踪问题,本文在分析已有的静态场景下运动目标跟踪方法的基础上,将常用的跟踪方法中均值漂移meanshift算法和自适应均值漂移camshift算法分别结合卡尔曼滤波算法对运动目标进行跟踪。由于运动目标可以近似为线性模型,建立运动目标的线性状态模型和观测模型,将检测得到的目标的中心位置赋予卡尔曼滤波观测值,并根据遮挡因子判断目标是否被遮挡,若未被遮挡则将卡尔曼滤波的预测值作为目标当前帧位置利用meanshift算法或camshift算法迭代到运动目标的中心最优值,若目标被遮挡,则将卡尔曼滤波预测位置作为运动目标的中心最优值。UKF是一种用采样方法近似非线性分布来次优近似解决非线性滤波问题,具有性能稳定,精度高,适应性强的特点。但是在实际应用中的运动目标通常是非线性的,为了提高跟踪的精确度,本文将UKF滤波分别与meanshift算法和camshift算法相结合以提高跟踪精度。即将目标检测得到运动目标的中心位置赋予UKF滤波观测值,并根据遮挡因子判断目标是否被遮挡,若未被遮挡将UKF预测值作为当前帧位置利用meanshift算法或camshift算法迭代到目标的中心最优值,若目标被遮挡,则将UKF滤波预测的目标位置作为目标的最优位置。UKF融合1neanshift算法和camshift算法相较于KF融合meanshift和camshift算法精度较高。该算法可以提高跟踪目标的实时性、精确性和抗遮挡性。并通过实验证明该方法的有效性。本文所研究的方法在运动目标的局部背景快速发生变化的情况下,可以对于运动目标进行准确且有效的实时检测；并且在运动目标有遮挡的情况下,能够快速和准确的对运动目标进行跟踪。