运动目标检测和跟踪作为运动分析和高层语义处理的基础,在军事分析、智慧城市和人机交互等诸多领域有着广泛应用,已发展成为当前计算机视觉领域研究热点之一。然而在实际应用场景中,通常存在动态背景、高噪声、光照、阴影和遮挡等复杂环境的干扰,为检测和跟踪带来了巨大困难和挑战。因此,本文对复杂环境下运动目标检测和跟踪方法进行研究。(1)本文重点关注复杂环境下动态背景扰动、高噪声和阴影干扰等场景,针对传统Vibe算法在上述场景下,易将大面积动态干扰误检为前景区域,从而导致检测不完整问题,从背景模型初始化、动态背景自适应计算和阴影检测消除三方面进行改进,实验验证表明本文改进算法消除了复杂干扰,提高了检测准确性和抗干扰能力。(2)针对在背景相似干扰、遮挡、运动模糊等复杂环境下单一特征的KCF算法无法准确稳定的描述目标,抗干扰能力差的问题,提出了多层面融合的自适应核相关滤波跟踪算法(MALKCF)。从特征层面融合HOG、CN和卷积特征提高目标描述表征能力,自适应融合跟踪响应图提高跟踪精度,设计了整体算法模型更新方式增强算法鲁棒性。经过试验仿真,本文算法跟踪精度和成功率为85.4%和78.2%,较KCF算法分别提高了34.3%和32.3%,对复杂环境背景杂波干扰、运动模糊、快速运动等场景下有较高的鲁棒性。(3)针对KCF算法缺乏遮挡处理,导致分类器学习背景和遮挡物体的信息出现跟踪漂移的问题,提出级联遮挡检测机制进行遮挡判断,采用自适应模型更新策略,增强模型抗干扰能力,引入Kalman滤波进行优化和预测跟踪,提高跟踪精度。在不同遮挡程度的序列数据集上实验性能测试表明:在遮挡环境仍能对目标准确预测跟踪,提高了算法鲁棒性,正常情况下时算法融合Kalman滤波优化跟踪结果,跟踪精度更高。本文提出的COPKCF算法相比KCF算法跟踪精度和成功率分别提高了31.3%,33.6%,整体跟踪性能得到大幅度提升,并且fps为46,具有较好的实时性。