视频运动目标检测跟踪技术作为计算机视觉领域的核心研究课题之一。在实际的跟踪应用中，由于目标类型的随机性、跟踪环境的复杂性和系统功能需求的多样性等因素，使得大多数成熟算法都是在一系列的约束条件下、特定的某种应用场景中才能够获得较好的跟踪效果。因此研究一种高效鲁棒的、限制条件更少的视频目标跟踪算法具有现实意义。本文对运动目标检测算法、MeanShift相关跟踪算法和粒子滤波跟踪算法做了深入研究，总结了各自存在的问题并提出了相应的改进方法。最后，在前面研究的基础上，提出一种融合MeanShift和粒子滤波的综合视频跟踪算法，并设置对比实验验证了算法的有效性。对运动目标检测算法的研究主要是针对传统混合高斯模型背景减除法对环境突变敏感和对缓慢运动目标丢失信息的问题，提出一种改进的基于混合高斯模型的自适应目标检测方法。首先，改进混合高斯背景模型的参数更新机制；引入一个跟踪环境变化的度量因子，当环境突变时实现背景减除和帧差法的自适应切换；最后通过生态学滤波得到准确的运动目标。实验表明，算法对光照等环境变化扰动的抵抗能力较好，较好的解决了传统算法对缓慢运动或短暂停留的目标漏检的问题。对MeanShift算法的研究主要分析了基于核函数直方图和概率分布图的两种常用MeanShift算法特点。在此基础上，针对传统基于概率分布图算法存在对背景颜色干扰鲁棒性差的问题，提出一种基于目标检测的改进CamShift目标跟踪算法。对每帧图像首先用本文提出的目标检测算法进行目标提取，然后把检测所得的目标矩形区域作为初始化搜索窗口，通过窗口区域质心的计算，不断修正跟踪窗口的中心点。实验表明，在场景背景中存在于目标颜色相似的元素时，该算法可以实现对目标的稳定跟踪。对粒子滤波算法的研究，主要是对粒子滤波理论及其在目标跟踪中的实现方法做了系统的分析介绍。针对传统粒子滤波采用单特征进行目标描述，跟踪稳健性较差的问题，提出一种基于目标颜色和边缘方向特征的多观测模型粒子滤波算法。首先，对颜色和边缘方向进行特征提取，通过Bhattacharyya距离和Euclidean距离分别建立各自的观测模型。然后，采用乘性策略获得基于融合特征的粒子评价标准作为系统的观测模型。最后通过跟踪实验验证了算法的有效性。在深入分析粒子滤波和MeanShift算法优缺点的基础上，针对单一算法难以同时满足跟踪实时性和可靠性的问题，将两种算法有效结合提出一种基于MeanShift粒子滤波的目标跟踪算法(MSPF)。首先通过颜色和运动信息建立目标描述模型，改进传统MS算法并将其嵌入到粒子滤波过程中，使状态粒子向最大后验概率密度方向移动，从而提高算法效率。