计算机视觉技术就是通过计算机快速准确获取目标的位置、速度和加速度等目标运动状态参数,基于这些信息可以进一步对目标进行分析。基于特征匹配的确定性视觉目标跟踪算法以其较高的实时性、较高的精确度,具有较好的应用前景良好。但是在一些复杂的跟踪场景的应用中,此类方法因受多种因素影响易于丢失目标。因此,该类视觉目标跟踪算法还有许多的缺陷需要改进。针对跟踪微小型目标容易失败的问题,以荧光显微镜下的神经丝蛋白影像为实验对象。利用HSV颜色空间所得颜色直方图建立目标模型,结合预测点对目标特征点加权。通过在目标颜色概率模型中引入核函数,利用核密度梯度来进行目标搜索,最终在每帧图像中获取目标的具体位置。鉴于神经丝蛋白的特殊性,本章还对比分析了其他两种概率预测类算法的跟踪效果。实验结果表明,此方法能够快速稳定跟踪神经丝蛋白,为神经丝蛋白质的医学研究提供了新的途径。针对传统camshift算法的目标建模及匹配易受干扰像素影响的问题,对目标建模和匹配做了相应改进。改进的目标建模方法通过分块选取目标中最为明显的颜色特征,使得目标与背景的区分更加明显。此外在跟踪过程中的目标匹配环节,基于传统模型的跟踪方法需要逐个查阅候选目标区域的像素,计算量较大。改进方法将候选目标区域分块,然后提取各分块的特征与目标模型做对比,此方法不仅降低了运算量,而且还能将干扰像素点的影响分散到周围的区域,使得干扰像素可以通过二值化的手段消除。实验结果证明,基于改进模型的目标跟踪方法的跟踪精度与速度有较大提高。针对核相关滤波算法难以应对复杂跟踪场景的问题,提出了一种帧内跟踪效果评估方法来识别目标遮挡场景以及目标偏离的情况。首先在HSV颜色空间对目标分块并建立判别模型,在跟踪的过程中对候选目标区域分块并结合判别模型生成搜索区域的颜色概率分布图,然后在颜色概率分布图中对核相关滤波算法的初步跟踪结果进行评估,根据评估结果决定是否使用修正算法修正跟踪结果。在目标模型更新策略方面,结合判别模型对初步跟踪结果的评估从而识别复杂场景,提出了一种自适应学习因子的模型更新策略,避免引入过多背景或遮挡物的信息。通过实验结果分析,显示该改进核相关滤波算法算法能够有效的应对遮挡、复杂背景等跟踪场景,同时能对目标偏离进行修正。最后,对全文的研究工作做出了概括,说明了已解决的问题以及仍存的不完善之处并指明了今后在此研究方向上需要进一步研究的要点。