针对现有的运动目标检测与跟踪方法在动态场景中效果不佳的情况，以足球视频中运动员的检测与跟踪为研究对象，论文在现有算法理论的基础上，改进了相关算法实现对球员的检测与跟踪。课题的研究在数字图像处理技术和计算机视觉领域都有着重要的意义。　　 对于球员的检测，论文采用基于高斯混合模型背景建模的球员检测算法。在背景模型初始化前，提出了一种区域补偿构建固定背景的方法，并将此时的背景模型作为高斯模型的初始化参数；在模型更新中，通过相邻两帧差分处理操作区分出图像中变化区域和未变化区域，对不同区域赋予不同更新率加入到背景帧，更快的实现背景重建。在球员检测的过程中针对球员间的遮挡问题提出了有效的解决方案。在不同视频序列中，算法的检测准确率平均达到90[％]以上，满足算法的准确度要求。　　 在球员检测的基础上，通过Bhattacharyya系数衡量球员模板和球员候选区之间的颜色相似度实现了球员的队属辨别，并在此基础上实现了特定球队的队型显示功能。　　 对于球员的跟踪，论文采用基于CamShift算法结合卡尔曼滤波的组合算法实现特定球员的跟踪问题。该算法首先通过手动交互的方式生成球员的目标模板，利用颜色反投影技术实现特定球员的跟踪。在实现过程中引入卡尔曼预估器更为精确的判断球员的运动信息，以提高算法的跟踪效率。在球员跟踪的基础上，结合Homography变换技术实现了球员的3D轨迹描述。通过实验验证了文中算法较常用跟踪算法更具智能化。　　 结合足球视频中运动员信息，论文从理论分析和实验结果两方面对目标检测与跟踪技术进行了较深入的研究，并取得了相应的成果。运动目标检测与跟踪技术日益成为生活中的一部分，算法处理的实时性、目标检测与识别的准确性、跟踪的稳定性等均为研究的方向与重点。