运动目标检测与跟踪技术是计算机视觉领域中的一个研究热点,其主要目的是从视频序列中检测出运动目标,并在对目标有效识别与可靠跟踪的基础上,理解和描述目标的行为。动态视频背景下的目标检测与跟踪算法因视频背景运动与目标运动的不确定性使得研究人员难以找出一种普遍适用的解决方案,这类算法主要包括背景补偿与图像预处理、图像分割与目标检测、特征提取和目标跟踪三项关键技术。而基于特征点的目标检测与跟踪算法是解决这类问题中较为常见,也是应用较为广泛一种。所以本文针对基于特征点的目标检测与跟踪算法进行了系统分析和深入研究。目前,基于特征点的目标检测与跟踪算法仍存在诸多待解决的问题。首先由于传统的特征点检测算法耗时量较大,使得其虽然具有较好的目标检测效果却难以应用于实时系统。其次由于动态视频背景图像特别是航拍视频图像可能发生平移变化、旋转变化、缩放变化以及图像中目标被背景遮挡的情况,这些因素使得在对目标的跟踪过程中可能丢失目标。所以,本文针对以上问题进行分析和研究,提出了适当的解决方案,并通过大量实验对提出的方法进行了验证。本文的研究内容与取得成果包括：1.针对传统的基于特征点的目标检测算法在特征点检测环节耗时较长,实时性较差的问题,提出了一种基于自适应通用加速分割的二进制特征点检测算法。本文研究了几种传统的特征点检测算法,并在此基础上提出了一种基于自适应通用加速分割的ORB特征点提取与匹配算法,即将ORB算法中的FAST算子改为AGAST算子以实现特征点的精确定位与快速生成。将改进的ORB特征点用于动态视频背景图像的特征点提取与匹配,对视频序列的动态背景进行补偿,并采用多帧间隔差分图像累加的方法,配合形态学运算与边缘检测实现目标检测。通过实验验证,本文算法与传统算法相比具有更强的实时性,且对于不同类型的图像具有较强的适应性。2.针对动态视频背景图像下目标跟踪算法中特征点提取与匹配耗时较长、跟踪目标易丢失的问题,提出了一种基于改进的ORB特征点的卡尔曼滤波跟踪算法。首先采用改进的ORB特征点提取和匹配目标图像模板与每帧视频图像的特征,并计算初始帧目标图像模板的中心位置；然后利用卡尔曼滤波预测目标中心位置和基于ROI的扩大区域检测方法,通过匹配的特征点对与目标模板特征点总数的比值变化分析遮挡情况,采取相应的跟踪方案。通过实验验证,本文算法对尺度、旋转、噪声以及遮挡均具有鲁棒性,有效减少了目标丢失情况的发生,实现了对运动目标的稳定、准确和快速跟踪。