基于计算机视觉分析的目标检测技术是模式识别、图像处理等领域的重要研究课题。环境的复杂性和应用的实时性对处理技术提出了更高的要求,如何在保证实时处理的前提下,提高算法的鲁棒性和适应能力成为算法研究的重点。目标检测技术分为静态目标检测与运动目标检测。本文从静态模型参数估计和动态目标区域检测两方面开展研究内容,以提高算法鲁棒性和实用性为目标。目标模型参数估计中,针对RANSAC方法在模型尺度、数量等环境信息未知时鲁棒性能下降的问题,以椭圆模型为检测对象,提出了一种新的自下而上的估计方法。该方法采用先分类后聚合的估计过程,不仅能够克服离群数据的影响,还能在不提供先验信息的情况下以较高的精度估计模型参数,鲁棒性能良好。实验表明了该方法的有效性。实时运动目标检测技术在监控领域应用广泛,虽然目前较为流行的背景减方法速度快,易于实现,但由于受到阈值的限制,在颜色复杂的环境中适应能力不强。独立分量分析(ICA)是一种利用统计特征进行信号分离的方法,由于处理过程中受局部扰动的影响不明显,近年来已越来越多的应用于图像处理。本文提出了一种新的基于ICA的运动目标检测方法,该方法在两帧之间自适应分割运动区域,无阈值限制,能适应较为复杂的背景环境,且处理速度满足实时性要求。实验结果验证了方法的有效性与鲁棒性。算法的实用性需要在视觉系统中得以验证。本文介绍了一种作者参与设计开发的视觉跟踪系统,该系统可移植不同的视觉算法,用于实现运动目标实时检测,并在检测的基础上对指定目标进行自动跟踪。其中,检测环节采用前述提出的基于ICA的方法,跟踪环节采用基于颜色特征的跟踪方法。运行效果显示出该系统能较好的完成目标检测及后续跟踪任务。