视频监控是计算机视觉、模式识别以及人工智能等领域的一个重要的研究内容,在安全监控、智能交通、军事导航等方面有着广泛的应用前景。运动目标检测技术是视频监控系统中一个重要组成部分,其检测结果直接影响着后续的目标定位、识别和跟踪以及运动行为的理解和描述。国内外大批学者投身于该领域的研究和探索,并取得了大量的成果。本文是在这些成果的基础上,对视频监控系统中运动目标检测算法及目标跟踪进行了研究。本文主要介绍了视频监控技术中目标检测和跟踪的基本理论和关键技术。重点研究静止背景下目标的检测和提取及运动目标跟踪等方面内容。在运动目标检测方面,针对背景差分法,对常用的背景建模方法进行了分析研究,并提出了一种基于混合高斯模型的改进算法。传统的混合高斯模型对于方差和均值采取相同的学习率,这样不仅没有考虑到方差和均值的不同特点而且容易使方差陷入偏小。为此本文提出针对方差与均值在模型更新中的不同特点采取不同的学习更新策略。对于方差的更新采用动态的学习方法,并集合历史数据对当前帧的影响,提高了方差学习的收敛速度和精确度。仿真实验表明该方法不仅能准确的进行背景建模识别出运动目标,同时能够有效的抑制噪声。在运动目标跟踪方面,对传统的目标跟踪算法进行分析和讨论。在高斯非线性跟踪滤波算法上针对跟踪系统中由于弱观测性,大的初始化误差使的系统出现不稳定、跟踪收敛速度慢,鲁棒性能差的问题,提出了基于观测迭代插值滤波器。该算法在插值滤波器基础上,利用观测迭代过程来取代单纯的近似条件估计进行预测,减小观测函数线性化所带来的误差影响具有更精确的状态和协方差估计性能。针对非高斯非线性化系统在基于序贯重要性抽样及贝叶斯理论的粒子滤波能够很好的处理。如何选取重要密度函数以减小粒子退化影响提高粒子滤波精度是粒子滤波的主要问题之一。本文采用基于观测迭代的插值参考分布提高重要密度函数估计精度,减少了后验概率密度估计误差,同时结合观测系统的最近一次的量测,更好的匹配后验概率密度。在实际应用方面,针对室内运动人设计了一种运动目标跟踪系统。介绍了系统的设计思想,并根据实际情况进行了模块化设计,包括模块的工作原理和系统设计流程。