运动目标的检测与跟踪已经广泛应用于现实生活中,如智能视频监控、智能交通、虚拟现实等,然而在应用场景中的旋转、姿态变化、遮挡以及运动模糊等诸多干扰给目标检测与跟踪带来不小的挑战,因此鲁棒性强、准确性好、实时性高的运动目标检测与跟踪算法研究仍然是一个具有挑战性的工作。自适应码本(SACB)算法是一个经典的背景建模算法,该算法在目标检测中取得了较好的效果,对周期性晃动有一定的抵抗力,但存在“鬼影”现象、对密集型物体扰动适应性差、码字清除策略过分依赖于时间等问题。本文针对这些问题提出了一种自适应双码本检测模型,提高了算法的检测准确性。时空上下文视觉跟踪(STC)算法是一个具有代表性的目标跟踪算法,简单快速且鲁棒性良好,可长时间跟踪单目标,但在姿态变化、遮挡或运动模糊等场景中会出现跟踪失败现象。本文提出了加权分块的时空上下文模型以及融合速度特征的目标位置预测方法,使STC算法在鲁棒性和准确性方面得到有效提高。本文的主要研究工作如下:1)提出了一种自适应双码本(DECB)算法,通过增加前景像素记忆层构成背景-前景双码本模型以消除“鬼影”现象;利用相邻像素的相似时空特性,随机与相邻像素码本匹配以提高对密集型物体晃动的抗噪能力;在码字更新机制中引入生命周期,以降低码字清除策略对时间的依赖性。2)提出了一种抗遮挡处理机制和目标丢失应对机制。利用加权分块策略增强时空上下文模型的稳定性和鲁棒性,并通过速度特征校正目标位置。通过置信图及时获取跟踪状态,当跟踪丢失目标时停止对目标模型的更新,保证目标模型与真实模型相似,避免遮挡引起偏移或丢失。3)通过实验对本文提出的两个算法进行有效性评估,并对所得实验结果进行了详细分析与对比说明。