目标跟踪是计算机视觉领域中一个十分重要的研究课题。虽然目标跟踪的研究已经有了较大的突破,但仍然有很多具有挑战性的问题需要解决。主要研究的方向是围绕视觉注意机制在视频目标跟踪过程中的应用,现研究结果如下:1)TLD(tracking-learning-detection)算法作为一种长时间单目标目标跟踪算法,具有良好的重检测能力和在线学习机制,但是在面对目标被遮挡、快速旋转等问题时跟踪效果并不理想。针对这一问题,以视频目标跟踪为研究对象,对TLD算法进行了改进。在TLD算法的跟踪模块中,通过Shi-tomas算法获取特征点替代光流法中均匀选取的点,以优化跟踪模块的跟踪效果。实验结果表明,改进后的算法稳定性较好。2)针对TLD目标跟踪算法在面对遮挡,形态变化,旋转和光照改变时容易产生漂移和跟踪失败这一问题,提出一种基于视觉注意机制的TLD跟踪算法,通过视觉显著区域提取,对提取的显著区域计算颜色直方图,构建目标模型和候选模型,提高优质样本数量。通过仿真实验表明改进后的算法提高了跟踪的准确度和稳定性。3)针对稀疏表示目标跟踪算法中实时性和准确性不高的问题进行了改进,提出了一种基于视觉注意机制稀疏表示的目标跟踪算法。首先对候选样本多模态进行融合,采用多模态特征稀疏表示的方法计算各模态特征的重构误差,再将视觉注意机制融入到稀疏表示算法中,对目标特征实时更新。不仅实现了实时跟踪也提高了跟踪的准确性。课题主要针对目标在复杂环境中的跟踪问题进行了研究,在传统跟踪算法中融入视觉注意机制,对原算法进行了改进,提高了跟踪的稳定性和准确性,为目标跟踪算法提供了新思路。图29幅;表2个;参51篇。