运动目标检测与跟踪技术,作为智能视频分析的一个重要分支,已被广泛地应用于安防监控、智能交通和医疗诊断等各个方面,备受人们的关注。尽管已经有诸多学者提出了许多行之有效的目标检测与跟踪算法,但是到目前为止,这些方法都是围绕着具体的环境或者特定对象而提出的,在其他场景中则不能发挥其作用。因此,如何在复杂的场景中准确的获得感兴趣的运动物体以及如何从被检测物体获得其唯一的特征并实现对感兴趣目标鲁棒性的跟踪将显得至关重要。本文的主要工作如下：(1)目标检测方面：针对混合高斯模型算法在目标检测时易受光照变化和忽略静态场景中像素值的特性,对算法从模型匹配和模型更新两个方面进行改进。在模型匹配方面引入了自适应的匹配阈值,以缓解采用固定阈值所引起的误检现象,在模型学习方面,采用不同的权重学习速率以提高模型对静态背景的适应能力。经实验验证,文中的方法能够精确的区分前景和背景区域,并且对复杂场景具有很好的适应性。(2)目标跟踪方面：传统的均值漂移算法仅采用颜色直方图来表示感兴趣目标,同时没有考虑目标区域内像素点之间的空间关系,因此提出了一种多特征结合的均值漂移跟踪算法。采用颜色和纹理分别表征运动目标,在进行相似度的测量时,用马氏距离计算纹理特征的相似度,巴氏系数计算目标颜色的相似性,最后采用均值漂移算法对目标进行定位。经实验表明,文中提出的方法在场景存在光照变化或目标部分遮挡时,都能有效地跟踪到目标。