针对运动目标检测与跟踪关键技术问题展开了研究，在认真总结前人研究成果的基础上，深入分析与探讨了目前运动目标检测与跟踪算法研究领域所面临的主要问题。论文主要针对两个关键技术展开研究，一是运动图像分割，二是基于粒子滤波的运动目标跟踪。为了能从含有运动目标的图像序列中获取初始背景图像以及对其进行更新，国内外大量的文献就此进行了深入的研究。常见的有均值法、中值法、统计直方图、稀疏贝叶斯分类器方法等来获取初始背景；卡尔曼滤波方法、混合高斯模型等来对背景进行更新。针对传统混合高斯模型本身计算量大和阴需要影消除的缺陷，和图像纹理及HSV向量空间特点，本文提出了一种基于HSV彩色空间的分块混合高斯模型建模方法，该方法减少了传统模型的运算量，而且可以很好的抑制运动目标阴影，增加了算法的鲁棒性。近年来，粒子滤波引起了机器人学、目标追踪等诸多应用领域学者的关注。在对建议分布的选择机制及自适应选择机制研究基础上，论文提出了两种基于建议分布改进的粒子滤波运动目标跟踪算法。一种是基于混合建议分布改进和自适应重采样结合的粒子滤波运动目标跟踪算法；另一种是基于样本多样性测度的建议分布自适应改进粒子滤波运动目标跟踪算法，通过试验，均能实现有效的目标跟踪。所提算法是在Windows XP系统、MATLAB平台上进行实验仿真的，通过实验验证了算法的可行性。