随着人工智能渐渐进入人们日常生活,推动了机器视觉技术的快速发展。其中运动目标检测与跟踪为计算机视觉领域核心部分。在实际工程中经常存在图像数据传输丢失、噪声干扰,运动目标形变、遮挡、尺度变化、背景发生突变、光线强弱变化等问题。如何快速准确地检测跟踪运动物体,并在复杂场景下有更强的鲁棒性,一直是运动目标检测与跟踪领域的研究热点。本文针对上述存在问题,学习了解目标检测跟踪领域研究现状,从三个方面对目标检测与跟踪相关算法进行研究。首先,图像去噪方面。本文分析研究了几种常用的图像去噪方法,针对中值滤波的去噪能力与固定滤波窗口问题进行改进,给出了一种自适应模糊中值滤波算法。通过仿真实验得出,本文算法对不同噪声密度有更好的去噪能力,同时可以较好的保留图像边缘细节信息。其次,目标检测方面。本文针对ViBe算法检测运动目标过程中容易出现“鬼影”现象与前景误检问题,提出了一种自适应半径阈值ViBe算法,背景采样建模过程摒弃了单帧建模方法,采用多帧平均法进行背景建模,引入形态学处理方法对目标检测结果进行优化,通过实验仿真得出本文算法在复杂背景下有更好的鲁棒性,在消除目标“鬼影”现象同时提高了前景检测准确率。最后,目标跟踪方面。本文根据核相关滤波算法(KCF)中目标尺度与跟踪精度问题,结合Kalman滤波位置预测特性,在HOG特征基础上融合了颜色特征,同时加入目标样本尺度集,并通过仿真实验得出本文算法不仅解决了目标尺度问题,同时提高了算法跟踪精度与鲁棒性。