运动目标检测和跟踪技术是计算机视觉领域的一个热点课题。目前,在目标跟踪过程中仍然存在几大难题:(1)背景的动态变化及其复杂性;(2)目标的遮挡;(3)目标发生形变及特征变化。本文针对上述问题提出了一些改进方法,主要工作如下:首先,研究了基于检测的目标跟踪、基于动态分割的目标跟踪和基于分布的目标跟踪这三种主要的跟踪类别方法,提出了一种融合这三个类别各自优点的一种跟踪方法,即采用检测和Graph-cuts技术的目标跟踪方法。其次,提出了一种基于改进的Graph-cuts的图像分割算法。该方法采用宽度优先搜索方式搜索图像中的每个像素点,通过对属于相同区域的像素点进行合并的方式解决了传统的Graph-cuts算法在分割较大尺寸的图像时耗时长的缺点。然后,针对目标遮挡、形变等不同情况,选择合适的检测算法来获取目标观测值,然后将预测目标和观测值这两项加入能量函数中并进行最小化。在图中引入观测值后能使得目标的跟踪结果更为准确,且能够处理新目标进入的情况。通过实验发现在对多目标进行跟踪时只采用一个能量函数并不能解决目标融合或遮挡的问题,针对该问题,我们又在目标融合区域定义了另一个能量函数。最后实验结果表明,无论是针对单目标还是多目标跟踪本文所提算法都具有较强的鲁棒性。最后,给出了一种基于混合高斯模型和Graph-cuts的目标跟踪算法。该方法针对目标的不同情况会做出不同的处理。对于独立目标建立一个基于空间-颜色的混合高斯模型,对于遮挡目标引入一个混合高斯模型替换策略,然后构建能量函数并用Graph-cuts算法对其进行最小化。实验证明,该算法对遮挡情况下的多目标跟踪具有较强的鲁棒性。