目标跟踪技术一直是计算机视觉领域的研究热点，其应用领域越来越广泛。由于目标跟踪系统的应用环境越来越复杂，因此对目标跟踪技术的抗干扰性的要求越来越高。在雾霾天气或存在烟幕弹干扰的条件下，图像采集系统获取的图像会发生严重退化。目标跟踪算法所关注的有用信息就会减少甚至消失，导致导弹等跟踪系统锁定目标失败。如何有效地减少干扰，提高图像的对比度，从被干扰图像中恢复感兴趣区域的特征信息，提高跟踪算法的鲁棒性，使目标的定位更加准确，具有一定的研究价值。　　本文通过对被雾霾和烟雾干扰的图像进行分析，根据不同干扰源的特性，提出基于偏振和局部区域恢复的算法，并将其融入目标跟踪算法中，以增强目标跟踪系统的抗干扰性。本文的研究成果如下:　　(1)研究雾天成像模型及光的偏振特性，针对传统偏振去雾算法忽略物体反射光的偏振特性，对镜面区域的恢复效果较差的缺点。本文提出了同时考虑物体反射光的偏振特性和大气光的偏振度随光学厚度变化的去雾算法，使图像中信息的恢复更加准确。　　(2)基于暗原色的单幅图像去雾算法，当场景中存在白色物体时，会使大气光值的估计不准确，影响图像恢复效果。针对该问题，本文先计算最好和最差偏振图像的暗通道图像，然后获取两幅暗通道图像的差分图，最后从差分图像中估计出大气光值，完成图像的去雾。　　(3)通过研究被烟雾弹干扰的图像，发现烟幕为白色的灰度变化缓慢的区域。针对图像中烟雾的特点，本文采用烟雾的动态特征和静态特征相结合的方式检测出被烟雾遮挡的区域，为后续的图像恢复奠定基础。　　(4)图像局部区域被浓烟幕遮挡时，图像中的目标特征被掩盖，传统的基于对比度增强、暗通道等图像恢复算法，已经不能将感兴趣区域的特征信息恢复出来。针对图像中的烟幕具有局部性的特点，本文利用基准图的动态梯度特征对实时图中被烟雾遮挡的区域进行恢复，以提高实时图像的清晰度。　　(5)针对雾霾和烟雾干扰后图像的特性，将图像恢复算法融合到目标跟踪算法中，以提高跟踪算法在干扰环境中的精度。文章最后使用被干扰后的图像对本文算法和经典算法进行了测试，并对实验结果进行了对比，验证了本文算法的有效性。