在机器视觉领域中,系统往往会对移动目标行为进行分析或者对移动目标所处的场景做出有意义的判定,而这些分析、判定需要对目标做出合理的检测、识别和跟踪。本文是在这样的背景下作出的相关研究,进而得到本文目标检测与跟踪算法的设计,并与目前流行性算法比较,以此判断本文算法性能的好坏。在移动目标检测方面,目标检测是许多视觉应用中自动化视频分析的基础。视频中的目标检测一般是通过目标检测器或者背景分离技术来实现。通常情况下,目标检测器需要手动标记样本来训练分类器,而背景分离需要经过不包含前景的视频帧来训练。为了做到实时检测,不通过单独的训练来实现目标检测很关键。由于存在着复杂的环境(如非刚性运动、动态背景等),采用运动信息的方式解决目标检测的能力十分有限。在本文中,采用一个在低秩矩阵中检测连续异常框架来检测移动目标,该框架将目标检测和背景学习集中到单个优化过程中,这种优化可以通过相关迭代算法来实现。通过实验和相关算法对比表明该算法能有效应用于复杂的视频监控的环境中。在目标跟踪方面,本文提出一种针对运动模糊、光照变化、姿态变化和遮挡等复杂环境的目标跟踪的鲁棒算法。通过不同特征表示融合到核函数粒子滤波框架中来克服复杂环境的变化,其中,每一个特征的学习都涉及目标的一个特征表示,以此来构造不同的跟踪器。利用多个跟踪器的交互和选择能够鲁棒跟踪的性能,其交互是采用转移概率矩阵完成跟踪器之间共享样本,而选择过程是确定最可靠的跟踪器作为该帧最终目标跟踪。通过跟踪器的似然函数来确定跟踪器概率,在贝叶斯框架中更新跟踪器的转移概率矩阵和跟踪器概率。通过实验对比表明,本文的算法在目标跟踪方面有较强的鲁棒性和适应性。