视频分析应用是现代计算机视觉领域最为热门和最具挑战性的课题之一。其基本目的是自动地理解所监控区域发生的行为。对于大部分视频分析系统而言，视频目标检测与跟踪是其中关键的步骤。因此，研究视频目标检测和跟踪算法具有重大的理论和实际意义。背景提取是视频运动目标检测中的关键技术，传统的背景建模方法具有各种明显的缺陷，如背景差分方法无法辨别出运动的背景信息，各种混合高斯方法对光线的扰动鲁棒性较差等，基于贝叶斯框架的背景提取算法被认为是解决以上问题的有效方法，本文将介绍一种基于贝叶斯决策规则的运动目标检测算法，该算法根据统计信息对每一个像素点进行贝叶斯背景分割，同时，考虑到梯度变化对光线扰动具有较强的稳定性的特点，本算法引入了图像梯度抗干扰模块，使得算法对瞬变光线具有较强的鲁棒性。在视频目标跟踪方面，从贝叶斯最优估计的思想不难看出，卡尔曼滤波方法是线性高斯假设条件下贝叶斯估计的解析形式，是线性高斯动态系统的最优滤波器。由于卡尔曼具有以上特点，本文将提出一种连续卡尔曼滤波方法，较好的解决有遮挡情况下的视频目标跟踪问题。对于非线性非高斯系统的目标跟踪问题，很多人提出了各种解决方法，目前理论和实践上较为成功的方法是粒子滤波算法，本文提出基于多特征信息融合的粒子滤波视频目标跟踪算法，将传统的粒子滤波算法与多种特征信息结合起来，该算法在摄像头不固定、噪声较大、有遮挡等复杂场景下也有优秀的表现。本文所做工作如下：1)根据贝叶斯决策规则和梯度变化对光线扰动具有较强的稳定性的特点提出了一种基于贝叶斯框架的抗瞬变光线扰动的视频目标检测算法。2)对于线性高斯系统，提出了基于连续卡尔曼滤波方法，较好的解决单摄像头有遮挡情况下的视频目标跟踪问题。3)对于较为复杂的非线性非高斯系统，研究并提出了基于多特征信息融合的粒子滤波视频目标跟踪算法，将传统的粒子滤波算法与多种特征信息结合起来，取得了较好的效果。