随着人工智能技术的不断发展与应用,如今它已上升到国家战略层面的高度。机器人作为人工智能技术的集成者,在实际用途中正在受到更多研究人员的关注。而移动机器人的自主目标识别与跟踪应用也是其智能化技术方面需要解决的一个核心问题。如何将改进的机器学习算法移植到移动机器人上,并且使其处理跟踪时光线变化、遮挡和复杂背景等问题的方法更具有鲁棒性,这是极富挑战性的一项研究技术。该文在MT-R轮式移动机器人平台上,通过改进的机器学习算法,实现了机器人的自主目标跟踪和对自身运动控制的功能,从而进一步实现轮式移动机器人的智能化应用。本文的主要研究内容可以概括成:首先该文回顾了视觉目标跟踪的研究现状,列举出了不同视觉目标跟踪算法所采用的方法并分析了这些算法的缺点。着重说明并分析了基于多实例学习的跟踪方法和结合协同训练的算法。完成了对本文对采用方法理论基础的铺垫。同时也简要讨论了移动机器人在国内外的研究发展状况。然后重点介绍移动机器人内部目标跟踪算法。基于检测的目标跟踪算法通常依靠分类器来区分目标和背景来达到跟踪的目的,在分类器进行学习的时候会对图像分成样本采样和添加标签两个单独的步骤,但是这样选择的样本是无目的性的,导致分类器的效果不稳定。本文结合主动学习的模型,提出一种新的样本选择的算法,基于多实例学习算法的框架,将主动样本选择的策略加入到样本采样和标签分配之间,这样可以选出有助于分类器学习的样本,然后结合协同训练方法,防止由于误差积累而导致的漂移,进一步提高算法性能。通过在标准视频序列上和其他六种算法进行对比实验,结果表明本文方法在目标遮挡、光线变化等复杂条件下表现良好,具有一定的鲁棒性。最后,在MT-R移动机器人上运行本文提出目标跟踪算法,结合机器人硬件驱动策略,实现了移动机器人的自主目标跟踪。并通过在不同的实际场景下进行实验来验证移动机器人目标跟踪的鲁棒性。通过实验结果可以得到,本文提出的目标跟踪算法可以有效的帮助移动机器人在目标遮挡、光线变化等情况下进行鲁棒的跟踪。