运动目标检测与跟踪是计算机视觉领域的研究热点。传统的检测与跟踪算法往往只是针对某种特定环境，而当环境变得复杂时，检测与跟踪的效果就会下降。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，提出了一种基于混合高斯模型和自适应阈值的背景差分的目标检测算法。该方法在背景建模中，根据环境的复杂程度来自适应地选择高斯分布的个数；用背景差分得到差分图像后将其按像素大小分为两类；再将分类后的图像分别进行自适应阈值的二值化处理；进行阴影去除及形态学处理后得到前景目标。实验表明，在目标灰度与背景接近或本身变化比较大的情形下，改进算法具有较强的鲁棒性。其次，针对粒子滤波算法中传统重采样导致粒子单一的问题，提出一种基于权值判断的重采样算法。该方法从粒子集中随机抽取一定数量的粒子，根据粒子的权值大小进行排序，然后选择若干权值较大的粒子作为新的粒子集。实验证明本算法可在一定程度上保持粒子的多样性。再次，采用多特征融合和自适应粒子数的方法来进行目标跟踪。该方法为保障匹配的稳定性，将颜色、边缘和纹理特征进行融合来描述物体；为提高单个粒子的利用率，定义了目标与模板的匹配度，使粒子数量自适应变化，当匹配度变大时，粒子数增加，反之则减小。实验表明在非高斯非线性的环境中，改进算法能有效解决目标旋转、目标遮挡以及背景混淆等诸多问题。最后，给出了一种基于背景差分和粒子滤波的运动目标跟踪算法。该方法将检测结果融合到跟踪中，将被检测为目标的像素点处的粒子的权值增大，其余粒子的权值不变，这样可以提高粒子的使用效率，减少粒子数。实验证明，改进算法在保证跟踪精度的情况下，具有较高的实时性。