运动目标跟踪问题涉及到计算机图像处理、模式识别以及人工智能等诸多领域,是一门交叉性很强的学科。被跟踪目标本身形状的多样性、所处环境的复杂性和跟踪过程中的遮挡问题以及光照变化,都构成了限制跟踪算法鲁棒性的关键因素。因此研究一种实时性、鲁棒性好的运动目标跟踪方法依然是该领域面临的一个巨大挑战。　　 本文首先研究了传统Mean-shift算法的目标跟踪问题,通过实验证明了传统Mean-shift算法在背景复杂,遮挡等情况下可能发生的跟踪失败的现象。在此基础上我们提出了改进的Mean-shift跟踪算法。为了改进目标的颜色与背景颜色分布相似的情况,我们引入了基于强角点颜色特征的Mean-shift目标跟踪算法,与传统的Mean-shift算法跟踪候选区域所有的像素不同,只跟踪使用Harris算子提取算法提取出的特征点,利用少量关键点建立目标模型,去除目标和背景中的光滑部分,抑制背景对目标定位造成的干扰,从而改进Mean-shift算法的跟踪性能。之后,本文将Mean-shift算法引入卡尔曼滤波框架,在卡尔曼滤波预测的目标位置上,进行Mean-shift算法迭代。如果Mean-shift算法跟踪效果比较好,则采用Mean-shift算法的迭代位置作为目标跟踪系统的目标位置,如果Mean-shift算法跟踪效果不好,则采用卡尔曼滤波的预测位置作为目标位置。在此基础上更新卡尔曼滤波器的状态。　　 最后,为了解决在目标跟踪失败的情况下如何重新找到目标的问题,我们将跟踪、学习、检测算法结合起来。具体步骤如下:跟踪器逐帧跟踪目标,并在跟踪过程中标记出目标正样本和背景负样本用来训练检测器;检测器在每一视频帧中独立检测出目标所在的位置,并在需要的时候更新跟踪器;学习过程评估检测器的错误并且更新检测器以防止错误的累积。在学习过程中我们使用生长剪枝过程来评估检测器的正负样本错误。剪枝过程用来判断检测器未识别出的样本,生长过程用来判断检测器的检测错误。　　 本文实验部分选用不同的视频序列对改进的算法做了理论分析和实验仿真,实验结果表明,改进的算法不仅能更持久地跟踪目标、具有较强的抗遮挡特性,在一定程度上可以满足实时处理的需要。