人体检测与跟踪技术是计算机视觉领域的一个重要课题，这一课题在视频监控和智能驾驶方面有着重要的应用价值。本文在现有的关于运动检测与跟踪算法的基础上，将视频序列中人体的检测与跟踪问题，分解为输入图像预处理、运动前景区域分割、判断运动区域是否为人体及对人体目标进行跟踪等部分。针对目前在这几个部分中存在的问题，本文给出了一些方案和改进方法，实现了视频序列中运动人体目标的检测与跟踪。　　 首先，分析了运动前景分割的几种形式，针对普通的视频图像，结合了改进的参数自更新平均值背景建模方法，实现了快速的运动前景检测，对光照及背景变化具备一定的鲁棒性。　　 其次，在人体特征表达上，采用了HOG描述符作为人体整体特征，在局部空间计算特征并进行规范化，解决光照不均影响，将这些描述符编码成带空间信息的鲁棒特征向量，解决了人体的非刚体运动描述困难问题。根据Adaboost算法训练了判断人体与非人体的二元分类器。针对人体形状大小差异问题，采用基于HOG描述符的多尺度检测方式，并提出了合并检测结果的子集归并算法，提高了检测器性能。　　 再次，针对传统的全局搜索方式效率低下问题，本文采用了在视频序列图像中，先对前景分割，然后针对感兴趣的区域做人体检测与判断的处理方案，很大程度上提高了计算速度。并通过跟踪算法提高检测性能，实验表明，此方案对人的衣着变化及人体各部分的相对运动具有较好的适应性。　　 最后，将人体梯度方向特征直方图信息结合颜色直方图信息，引入到均值漂移跟踪算法，实现了较快的跟踪效果，解决了单一跟踪颜色直方图信息因人体与背景颜色分布相似而导致的跟踪失败问题。针对人体运动随机性较强、形状变化差异大的特性，提出了加权滑动平均模型与多高斯联合分布模型两种目标模型更新方案，并通过实验验证了这两种方案比传统的固定模型有更好的跟踪效果。