基于视频的运动目标跟踪是计算机视觉研究领域中一个非常重要的分支。近年来,随着该跟踪技术的不断发展,在工业、军事、民用等领域有了广泛的应用。在工业方面,可视化的智能监控系统已经逐步被应用到产品的开发中去；在军事方面,该跟踪技术已经逐渐在军事制导中得到了应用；在民用方面,主要应用于交通、银行等的视频监控系统。由此可见,对运动目标跟踪算法的研究具有重要的理论意义和实际应用价值。值得注意的是,虽然国内外许多学者在目标跟踪理论与方法方面已经取得了丰富的研究成果,但是仍然存在着一些难点问题,例如,对于被跟踪目标在运动中发生遮挡、发生形变等复杂情况下的跟踪问题,到目前为止尚缺少有效的解决方法。针对上述问题,本文从多特征提取、状态模型建立和模板更新等几方面进行了比较深入地研究。具体内容包括：(1)由于在复杂环境下利用单一的颜色特征无法适应周围环境的多样性变化,从而导致对运动目标跟踪的鲁棒性和实时性不高。针对这一问题,本文提出了基于颜色特征和梯度特征的多特征运动目标跟踪方法,利用梯度特征所包括的目标空间位置信息来实现对运动目标的有效跟踪。实验结果证明,相比于利用单一特征的跟踪算法,本文提出的利用多特征跟踪算法在运动目标的跟踪效果上有更好的鲁棒性和准确性。(2)在体育比赛等动态环境中,被跟踪目标经常会发生遮挡、形变等情况。针对上述复杂环境下的目标跟踪问题,本文提出了一种基于动态贝叶斯网络的目标跟踪算法,首先利用动态贝叶斯网络建立目标的状态模型,再通过改进后的粒子滤波算法对视频图像进行处理,最后实现对运动目标的快速跟踪。实验表明,相比于卡尔曼滤波、扩展卡尔曼滤波算法,本文提出的改进粒子滤波算法在处理视频这类非线性数据结构上具有更大的优势,在运动目标被遮挡或是发生形变等情况下跟踪有更好的实时性、鲁棒性和准确性。(3)针对运动目标跟踪过程中参考模板的更新问题,提出了一种基于LLE非线性降维算法的模板预测更新方法。首先对视频图像经过LLE算法降维,然后建立基于时间序列模型和BP神经网络相融合的预测模型,最后,利用RBF神经网络的映射能力将低维向量反映射到高维空间最终实现模板的更新。由于单步预测方法在运动目标发生部分或全部遮挡时无法保证跟踪的准确性,因此,本文通过将时间序列模型与BP神经网络相融合实现跟踪目标的多步预测,可以弥补时间序列模型在单步预测方面的不足。实验证明,利用该参考模板更新算法能保证在运动目标跟踪过程中的准确性和鲁棒性。