随着物联网、视频监控技术的发展以及机器视觉的广泛应用,高智能视频监控以及对应智慧城市、平安城市同时取得了巨大的进步。伴随着这些领域的广泛应用,同时生成了海量的视频监控数据,为了得到这些视频数据中让人感兴趣的运动信息,同时取代传统的信息筛选方式,如何得到这些视频中的移动目标是目前研究的热点与难点。一般情况下关注的目标所处的背景往往不是单一的,环境的复杂性、被跟踪目标的形态变化、遮挡问题等,造成移动目标追踪算法在很多方面的研究存在着必须解决的问题,所以本文论文将主要对基于视频的复杂环境下移动目标追踪的各种方法进行相对应的研究。具体工作如下:1.提出一种适应于雨天环境的移动目标检测算法。针对视频中出现的因为天气原因而存在的复杂环境、阴雨天时雨滴、雨线对移动目标的检测形成噪声等,并在依据此基础上融合雨滴检测算法与高斯混合模型的一种适应于雨天环境下的移动目标检测算法。2.提出一种遮挡条件下改进的Mean Shift移动目标追踪算法。针对经典MeanShift算法上的缺点提出了优化算法,提出了将原始的目标区域进行划分区域后的目标窗口颜色直方图作为描述目标的特征,自适应的窗口大小,并且融合了卡尔曼滤波的对目标状态的预测机制,一定程度上改善了原算法的对目标被遮挡时抵抗性低下的弱点。3.提出一种复杂条件下改进的粒子滤波移动目标追踪算法。对经典粒子滤波方式在应对目标被遮挡、光线变化、目标形态变化等复杂环境下的缺陷进行算法改进,提出对粒子滤波算法中粒子数目选择以及重分布的策略和模板更新方式,以及应对遮挡策略,通过仿真分析了算法在应对的遮挡、噪声干扰情况下的有效性。4.提出基于均值聚类的粒子滤波算法。利用均值聚类算法使粒子能够向局部极值点移动的改进粒子滤波追踪算法。吸收均值漂移算法的优点改善粒子滤波算法计算量大的缺点,进行仿真,与以往单一的均值漂移算法和粒子滤波算法进行对比分析,体现改进算法的性能。