从视觉场景中发现运动目标并对其进行跟踪是低层与中层视觉处理任务,也是运动目标行为分析的基础。本文的主要任务是精确地发现视频序列初始帧中的运动目标,计算出运动目标的状态向量,并在后续视频帧中连续地估计出该目标的状态向量。开展该课题的研究对智能视频监控、智能交通、武器系统、视频压缩等领域都具有重要的理论和应用价值。这些新的高应用价值领域给广大研究人员提供了强大的研究动力。为了实现运动目标跟踪算法的自动初始化,本文首先研究了一种两阶段精确定位的运动目标发现算法。主流的运动目标跟踪算法采用两种模型进行构造,一种是生成式模型,另一种是判别式模型。通过研究这两种跟踪模型的构造方式,提出了两种基于生成式模型的运动目标跟踪算法以及一种判别式模型下的跟踪算法。本文的主要贡献包括:首先,本文提出了一种基于彩色光流与视觉似物性度量的运动目标发现算法,该算法用于解决运动目标跟踪算法的自动初始化问题。遵循由粗到细的原则将运动目标发现视为两阶段定位问题。依据Opponent颜色理论计算视觉上显著的彩色光流场,通过对光流场归一化和阈值化处理,定位出运动目标的粗位置。考虑视觉上如何判断一个图像区域是否为物体,定义两种似物性度量,即颜色对比度和边缘完整性度量。再采用滑动窗口精确地标记出运动目标在序列图像中的边界框。通过实验表明该算法可以确保运动目标跟踪算法自动实现。其次,本文提出了一种张量核主成分投影下的运动目标跟踪算法,该算法依据目标表观图像间的非线性关系对目标进行跟踪。考虑到来源于同一目标的张量在不同模下的展开矩阵存在于Grassmann流形中,通过Grassmann流形中主角度定义张量核函数。再利用核主成分投影(KPCA)在核空间中对样本数据进行降维投影,最后将动态预测融入贝叶斯滤波框架中,用于对遮挡情形下的目标状态向量进行预测。通过对比实验表明所提出的算法在目标姿态、尺度变化以及部分遮挡时具有较高的精确性与鲁棒性。再次,本文提出了一种基于特征张量多流形判别分析的运动目标跟踪算法,该算法用于处理多相似目标相互遮挡场景。多目标场景中目标被遮挡时,从遮挡到分离的过程中易受到相似目标干扰,导致跟踪失败。目标表观采用颜色和梯度特征构造的特征张量描述以适应部分遮挡。通过粒子滤波模板匹配跟踪算法建立先验多流形张量数据集。为了体现判别性,定义张量距离确定张量数据的流形内与流形间邻域关系,构造多流形判别分析获取子流形的多线性投影矩阵,最后结合贝叶斯序贯推理获得目标状态向量的最终估计。同时研究了当前帧中新获取的目标状态向量的可靠性,建立了一种多流形数据集更新准则。通过对比实验表明上述算法在多个相似目标互相遮挡的场景中能有效地区分目标与相似目标。最后,本文提出了一种基于彩色特征随机压缩的运动目标跟踪算法。该算法研究了彩色视频序列中目标的颜色分布特性,引入了一种新的彩色类Haar特征,通过随机压缩的方式提取彩色类Haar特征。研究了样本中特征分布特性,构造了一种加权的朴素贝叶斯分类器。为了适应目标表观变化,对分类器参数实时更新。通过在公开的具有挑战性的视频序列上进行对比实验,验证了算法的有效性。