运动目标检测与跟踪的目的就是从连续的图像序列中提取出运动目标，并对所提取出的运动目标进行实时的跟踪。作为计算机图像处理与机器视觉领域的重要研究技术，涉及到了模式识别、人工智能、自动控制等许多领域。对智能监控、机器人导航、军事制导、智能交通、医学图像分析等领域都有深远的影响，并得到了广泛的应用。对运动目标的跟踪主要分为两个方面：运动目标的检测和运动目标的跟踪。运动目标检测是指从视频流中实时地检测目标并提取大小、位置等相关信息；而运动目标跟踪则是指对检测出的运动目标进行连续跟踪并确定运动轨迹。虽然对检测和跟踪研究的算法和方法很多，但迄今为止没有一种算法或方法可以有效的处理任何的场景。因此检测和跟踪成为学者研究的热点问题同时也是世界性的难题，如：运动目标的遮挡、尺度伸缩、复杂背景和非刚体形变等。正因如此检测和跟踪才具有重要的实际意义和理论价值。本文将聚类思想、预测判断、尺度空间思想以及模式匹配等常用经典方法应用到视频运动目标检测与跟踪算法的研究中，寻找有效地解决上述难题的实时的、鲁棒的高精度运动目标检测与跟踪算法，主要内容有：1、运动目标检测：本文将Mean Shift算法，即均值漂移算法，应用在运动的目标检测上，以实现对运动目标的有效检测。因为Mean Shift聚类算法对噪声，干扰等复杂的环境有较好的鲁棒性，并且该算法是一个无参数的、快速的迭代算法，所以对图像的分割和图像的平滑有非常好的效果。但将其应用于运动目标检测上，实时性就是考虑的关键性问题，因此根据颜色空间的相似性本文提出了“迭代策略”的方法来解决这一难题，从而提高运动目标检测的精确性和实时性，并利用简单的三帧差分及边缘检测算法来进一步提高算法的鲁棒性。2、运动目标跟踪：在已有的基于Kalman滤波预测的Camshift算法的运动目标跟踪框架下，新增尺度空间算法与差分法来进行目标跟踪。在前期检测算法的基础上，利用Kalman滤波预测算法预测下一帧中目标的运动位置及相关信息，然后融合尺度空间的Camshift算法对得到的结果与目标模板进行优化匹配搜索，并提出利用区域差分法对搜索窗口进行修正及对目标模板进行更新的方法，从而精确的跟踪运动目标。经过改进的算法可以有效的对目标模板进行更新及窗口修正，并适应旋转，尺度变化及形变的运动目标跟踪，具有比传统算法更高的精确度。本文提到的算法是在基于Intel处理器的Windows环境下，使用Flash Builder４开发平台得以实现。从得到的效果来看，本文改进的运动目标检测与跟踪算法是可行的，对目标可以达到精确的、鲁棒的提取，实时的跟踪，满足实时监控的要求，同时对形变，尺度变化等情况的处理效果明显好于传统的跟踪算法。