运动目标跟踪是机器视觉领域的重点研究课题。它被广泛应用于安全监控、军事制导、医疗诊断、人机交互、机器人视觉导航等许多领域。目标跟踪的研究目的是使计算机能够在视频中识别并且跟踪感兴趣目标,为目标行为判读提供数据。虽然国内外学者对跟踪算法进行了深入的研究,并且提出了多种跟踪方法。但由于目标形状变化、目标所处环境复杂等多方面因素的影响,鲁棒性、稳定性、实时性一直是目标跟踪研究的难点问题。本文主要工作内容如下：在运动目标检测方面,介绍了目标检测的常用方法,并重点介绍了对称差分法和边缘检测算法以及相关的三种边缘检测算子,分析了各自的优缺点,在此基础上设计了一种基于Sobel算子的边缘检测和对称差分相结合的算法,该算法综合运用了对称差分法和Sobel边缘检测算法的优点,能够准确可靠的对运动目标进行检测,通过实验分析,证明了该算法的鲁棒性。在运动目标跟踪方面,对于粒子滤波算法存在的粒子匮乏现象和普通重采样导致粒子多样性缺失的问题,采用了一种基于遗传优化的重采样改进策略。不但解决了粒子退化问题,而且保持了粒子集的多样性,提高了粒子集描述目标的能力。针对复杂环境下的运动目标跟踪,提出了一种在粒子滤波框架下融合目标颜色特征和快速鲁棒特征(SURF)进行跟踪的算法。采用粒子滤波搜索候选目标的位置,缩小搜索范围提高了跟踪算法效率。采用扩展的SURF描述符对目标建模,既保留了SURF对图像缩放、旋转甚至仿射变换保持不变的良好特性,又利用了图像的色彩信息,弥补了SURF只利用图像灰度信息的缺点。实验结果证明了该算法在不同环境下跟踪目标的实时性和鲁棒性。