首先本文具体介绍了运动目标识别与跟踪方法在国内外的发展与研究的状况,并且对相关的算法做了简要的说明。然后针对目标识别与跟踪方法,本文分别详细介绍和说明了粒子滤波跟踪算法与Camshift跟踪算法,并对两种跟踪算法分别做了相应的对比跟踪实验来说明各自的特性及其优缺点。对两种跟踪算法所适用的跟踪环境进行了分析,当目标与背景颜色差异比较大时,粒子滤波跟踪算法和Camshift算法能够有效的跟踪目标,但是当目标与背景颜色差异较小或者目标处于复杂背景区域时目标跟踪就会产生偏差,甚至无法准确的跟踪目标。为提高复杂背景下上述两种跟踪算法的稳定性与准确性,在两种基本算法的基础上,分别提出了各自的改进算法来改善其在复杂背景下的跟踪性能。提出基于显著性直方图模型的粒子滤波跟踪方法。通过对比目标与背景区中像素色调的分布,确定出不同色调等级的显著性权值,从而建立起目标的显著性直方图模型。显著性直方图模型可抑制背景中与目标具有相似色调的区域对目标识别的干扰,突出目标显著色调在目标识别中的作用,从而提高目标识别的准确性。提出了基于边缘抑制的Camshift跟踪算法。利用上一帧目标的位置和大小通过权值函数,在反向投影图中降低目标边缘的亮度权值,被抑制的边缘可以有效的区分目标和背景,削弱质心向背景方向迭代的趋势,提高目标识别的准确性。仿真实验结果表明,本文提出的两种算法都能改善目标跟踪的准确性和稳定性,且计算量增加不多,能够满足电视跟踪系统实时性的要求。最后将本文提出的两种改进跟踪算法应用到智能小车的跟踪中,实验表明本文提出的改进算法在实际应用中可以获得较好的跟踪效果。