复杂背景下运动目标检测与跟踪作为计算机视觉领域的关键技术，成为众多国内外学者的研究热点之一。现实中大量的应用，比如机器人导航，车载视频跟踪等，都与复杂背景下的运动目标检测与跟踪密不可分。本文对传统的条件随机场模型和目标匹配算法进行了改进并结合特征光流法对复杂场景下的运动目标进行检测和跟踪。论文的具体研究内容如下：第一部分，介绍了广泛应用的几种统计模型，如隐马尔可夫模型、最大熵模型、最大熵马尔可夫模型和条件随机场模型，着重阐述条件随机场（CRF）的基本概念和原理。第二部分，分析了传统条件随机场模型的不足，并对其时域强度β进行改进。由于传统CRF模型中时域强度β是根据多次实验而设定的固定值，该传统算法将会引起的较大误差，因此本文提出了一种基于粒子滤波估计的改进的CRF模型来提高模型精度。通过进行一次粒子滤波估计，以各标记变量新的估计位置与CRF模型中心点的距离来衡量它们对中心点的约束能力，并且对他们进行归一化处理，将归一化后的数值作为每个标记变量在时域范围内对CRF模型中心点的约束度。实验仿真结果表明改进后的CRF模型的有较高的仿真精度。第三部分，研究了目前常用的目标跟踪匹配算法，针对传统匹配算法在处理目标和背景颜色相近的情况的不足，本文提出了一种基于改进CRF模型的目标匹配算法。首先采用粒子滤波对匹配宏块进行一步估计来确定搜索中心，并结合粒子滤波所得方差来确定较小的搜索范围。其次，提出了改进的相似性匹配函数，它包含了颜色、时空两个层次上的度量信息，并通过实验仿真证明该算法可以有效的处理目标和背景颜色接近的复杂情况。第四部分，针对目前几类复杂背景问题：动态背景、颜色混淆、遮挡，分别结合特征光流法、粒子滤波算法以及优化的目标匹配算法提出了相应的改进措施，并通过Matlab仿真以及VC进行视频检测证明改进后的算法可以有效处理上述复杂背景下的目标跟踪问题。