智能视频处理是计算机视觉技术的一个重要的应用领域。其中,目标跟踪与识别是智能视频处理领域一个重要的研究课题,是一项需要多学科理论的前沿研究主题。由于智能视频跟踪的广阔应用前景,目标跟踪成为了计算机视觉领域的研究热点,并引起了国内外学者的高度关注。目标跟踪的主要研究内容是如何从序列视频图像中更准确地估计出来目标的运动状态或运动轨迹。近年来,计算机技术的飞速发展在很大程度上提高了大规模计算的速度,这使得用于解决视频跟踪问题的数学理论得到了实际的应用,接着使得智能视频跟踪技术得到了更为广泛的应用。均值漂移算法和粒子滤波算法作为无参密度估计方法能较好地处理视频跟踪领域的问题,因此被越来越多的应用于视频跟踪领域。但由于视频本身的特点及上述跟踪算法自身的缺陷的影响,还存在需要许多研究的问题,例如特征描述、均值漂移算法的收敛性、粒子滤波算法中的相似性度量、粒子枯竭、两个算法的相结合等的问题。针对这些难题,论文主要做了以下几个方面的研究：从特征描述的角度出发分析了基于空间直方图的跟踪算法,并发现空间直方图存在有时候不能准确地描述特征的问题,即不能辨别单峰坐标分布和多峰坐标分布之间的差异。本文将周长特征融入到空间直方图里面以增加了视觉特征描述的几何性,使得特征描述辨别性能在准确性和鲁棒性方面确实较空间直方图有很大的提高。从自动控制理论的角度出发,通过对均值漂移算法的收敛过程分析,发现了均值漂移算法的收敛对特征描述非常敏感。为了增加目标跟踪的准确性和鲁棒性,提出了特征的混合控制方法,接着提出了基于特征混合控制方法的均值漂移算法。然后,通过实验对比验证了本文提出的算法在准确性和鲁棒性方面较基于单独特征的算法占有优势。从粒子滤波中相似度计算的角度上,通过对交叉bin(cross-bin)方法的定义域特性与值域特性的分析,发现了增加巴氏相似度(Incremental Bhattacharyya Dissimilarity-IBD)计算的不稳定性。由运输问题的解释启发提出了一种AISM(Asymmetric Incre-mental Similarity Matrix)的归一化方法与非对称增加巴氏相似度(Asymmetric Incre-mental Bhattacharyya Dissimilarity-AIBS)。AIBS采用bin混合矩阵(bin-mixing matrix),因此能够保证bin之间的互动。在计算相似度时,AIBS对空间特征矩阵不需要任何对称性。然后,通过与一些其他方法比较,证明了一些本文所提出的改进方法的有效性。从粒子滤波算法的视频跟踪理论的角度出发,为了提高跟踪的准确性并增加粒子的多样性,在粒子滤波算法中采用权重的非线性变换和扩散重采样。权重的非线性变换用于提高跟踪的准确性,扩散重采样用于增加粒子的多样性。通过实验对比验证了本文提出的算法在准确性和鲁棒性方面较标准粒子滤波算法有很大的改进。在均值漂移算法与粒子滤波算法结合系统中,分析了所有粒子的可控性,发现了基于病态粒子消除的跟踪方法存在的问题。然后,为了控制所有粒子的收敛过程,提出了基于条件数的粒子状态控制方法,并且为了得到靠近于全局极值附近的估计结果,提出了基于重采样-调整算法。最后,通过实验对比验证了本文提出的算法在准确性和鲁棒性方面较病态粒子消除方法有很大的提高。多摄像跟踪过程中的一个关键步骤就是不同摄像头间人的再匹配问题。再识别可以在活动分析与事件识别或场景分析中发挥一定的作用。然而由于光照、遮挡、姿势变化等的影响,使得再识别准确性很低。为了解决这些问题,使用交叉识别特征可靠地估计出显著性的概率分布。估计出来的交叉识别特征对不相交的摄像头问题较鲁棒,而且在识别领域用它作为有意义的人体特征描述子。而且,将识别定义为交叉识别特征匹配问题,提出一种交叉识别特征的双向匹配方法。除此之外,使用基于背景差与特征检测相结合的多目标跟踪算法获取匹配对象。