基于视觉的目标跟踪广泛应用于视频监控、图像压缩、三维重构、机器人技术等各个领域,因此对基于视觉的目标跟踪方法的研究具有十分重要的意义。由于物体的突然运动、目标或背景突然改变其外部表现形式、目标的非刚性结构、目标之间的遮挡、目标和背景之间的遮挡,以及摄像头的运动等使得目标的实时跟踪非常困难。针对这些问题,论文着重研究如何改善目标跟踪的效果,对相应的理论和方法进行了深入的研究,为目标跟踪在实际中的应用提供理论和技术支持。论文的主要工作有以下四个方面。(1)针对摄像机运动造成的背景变化问题,研究了运动补偿方法,通过在连续两帧图像中找到一组对应的主要特征点来拟合坐标变换关系,很好地消除因摄像机运动产生的背景误差；提出了一种改进的高斯建模算法,引入风险决策应用于前景目标的突变判断中,提高目标检测效果；提出一种基于摄像机视角的立体视觉目标定位方法,避免了摄像机标定环节,直接利用摄像机视角参数分析摄像机在不同位置对同一目标拍摄两幅图像,根据图像中目标点的象素坐标定位出该点在实际三维空间中的坐标。(2)针对目标部分被遮挡或背景因素干扰时跟踪精度降低问题,将背景和目标分别进行加权,通过背景加权改善对目标特征的描述,同时对目标的不同部位赋予大小不等的权值,有效的提高了Bhattacharyya系数值。从原算法对目标模型的描述出发,将其加入到Mean Shift算法的数学模型表达式中。实验表明其跟踪效果得到了明显改善。(3)实时的目标跟踪过程中,跟踪的窗口也要适时的随着目标大小的变化而变化。以mean shift算法为基础,利用概率检测法定位目标在各帧图像中的中心点,提出了一种自适应更新窗口的算法,同时结合归一化转动惯量NMI对目标进行识别,定位中心标识的对象。实验结果表明,该方法能在目标尺寸放大或缩小时选择合适的跟踪窗口,而且具有较强的跟踪抗干扰性。(4)针对基于颜色信息的粒子滤波跟踪算法在光照变化和相似背景条件下存在的缺点,结合目标的纹理特征、颜色特征和运动特征,提出了一种多信息融合粒子滤波跟踪算法,在一定程度上解决了单信息跟踪易受外界环境影响的问题,在计算量增加不大的情况下提高了跟踪的稳定性和鲁棒性。