基于序列图像的运动目标检测与跟踪技术是计算机视觉技术的主要研究方向之一，是智能视频监控、人机交互、移动机器人及车辆视觉导航、工业机器人系统等应用的基础和关键技术，在现代工业、国防以及民用等领域均有广泛的应用前景。论文主要针对光电导航跟踪系统应用，特别是运动目标检测与跟踪问题展开研究，分别提出了适用于动态背景序列图像的运动目标检测与跟踪算法。论文主要针对序列图像全局运动估计及稳定、基于粒子滤波的运动目标跟踪框架以及基于多特征融合的运动目标跟踪等问题进行了研究，并取得了一定的成果，本文完成的工作和贡献主要有以下几个方面：
　　 1)虽然基于KLT、SIFT等特征点匹配的全局运动估计算法估计精确，并能适用于旋转、缩放等场合，但其运算量大、无法实时应用，而实际视频序列中相邻帧间旋转、缩放等变化较小，基于此，本文提出一种基于分块投影匹配的全局运动估计算法。该算法首先将待处理图像帧进行分块处理，然后通过投影匹配，得到各对应子块的运动矢量，并提出一种评价准则赋予各分块运动矢量一权重，并利用改进的RANSAC参数估计方法得到全局运动参数，对序列图像稳定，最后根据稳定后的序列图像，采用累积帧间差分技术提取运动目标。仿真实验结果表明，在保证一定估计精度的前提下，本文所提出的算法能达到实时应用的要求。
　　 2)针对粒子滤波在非线性、非高斯系统在线状态估计中的粒子集退化问题，提出一种基于进化计算的序贯重采样粒子滤波算法，在该算法中，首先根据辅助粒子滤波原理产生重要性概率密度函数，并提出一种评价准则用以判断该重要性概率密度函数的有效性，并以此为依据决定重采样策略，对于进化重采样方式，根据观测数据采用进化计算原理对粒子集重采样，基于进化算法的优化使得粒子集对状态的估计更接近于系统的后验概率分布，理论分析与实验结果表明，进化重采样策略在减弱粒子退化的同时，能有效保持粒子集的多样性，在观测模型具有高精度的场合或似然函数位于系统转移概率分布的尾部时，所提出的进化重采样算法性能优于标准粒子滤波、辅助粒子滤波以及无迹粒子滤波算法。
　　 3)环境光照、拍摄视角以及目标形状动态变化对目标跟踪会产生一定的负面影响，本文同时采用目标特征及背景特征对目标进行跟踪，根据目标及背景区域在灰度、纹理及梯度等特征方面的差异，分别计算似然图像，根据跟踪过程中各类图像特征分离背景和目标能力的变化，提出一种基于增量式线性判别及二次判别分析的特征融合算法。该算法通过判别分析计算各特征分类性能，得到相应权重，并在此基础上对新图像帧计算融合似然图像，进而确定待跟踪目标位置与尺寸，最后根据跟踪结果通过增量算法更新各类特征的权重。通过对可见光及红外成像视频序列的仿真实验表明，该算法对环境光照变化、视角变化以及局部遮挡等均具有一定的鲁棒性。
　　 4)目标跟踪过程中各类图像特征分离背景和目标能力的动态变化是影响跟踪器性能的主要因素，本文提出一种基于提升分类的特征选择算法，该算法基于半监督学习中的协同训练理论。首先采用两组特征描述目标与背景区域各像素，并分别训练一在线提升分类器对特征组进行选择，然后通过互学习综合分类结果，得到最优似然图像，并采用进化粒子滤波算法对指定目标进行跟踪，最后根据跟踪结果分别在线更新提升分类器。该方法的主要优点是仅需对首帧图像进行训练，并在跟踪过程中动态更新提升分类器，由于在跟踪中采用协同训练手段更新提升分类器，因此，跟踪器的泛化性能得到了一定的提高。仿真实验表明该算法具有运算速度快，并能适应环境光照变化、遮挡等跟踪环境的特点。