视频图像序列中运动目标的跟踪,一直以来都是计算机视觉领域研究的热点和难点。它的主要任务是在各帧图像中找出待跟踪目标,提取目标的位置信息并在原图上标出。运动目标跟踪在智能监控、运动分析、军事领域、天气预测等方面都有着非常广泛而实际的应用。但是现有技术大多受限于特定的应用场景,目前仍然没有一种方法能够解决理跟踪过程中出现的所有问题,目标跟踪问题的主要困难在于算法的鲁棒性、实时性和准确性,因此跟踪算法仍有待于深入研究。本文通过对视频序列中常见的部分或全部遮挡、光照变化、外观形变、背景杂乱、目标旋转、背景相似等挑战性问题进行分析研究,主要研究成果如下:1.提出了一种基于优化boosting的目标跟踪方法。该方法用编码的方式计算出所有高斯模型的权值来表示各个模型的重要程度,从中选出权值较大的一些模型进行目标位置预测,使得选出的高斯模型更典型,预测目标更准确;根据所有模型对已知类标的样本进行分类的准确性进行遮挡判断,从而决定是否更新高斯模型;该算法有效克服了目标发生遮挡、外观形变等导致的目标丢失的缺点,实现了准确可靠的跟踪。2.提出了一种基于帧间约束超像素编码的目标跟踪方法。该方法提出了一种新的基于相邻帧间约束超像素编码模型,该模型考虑了复杂场景中相邻帧之间对应超像素的关系,较好地保持了视频图像序列的空间一致性,使得编码模型更加稳定;由于码本和分类器参数的持续更新,抑制了跟踪过程中漂移现象的发生,也增强了长期目标跟踪的鲁棒性;在背景杂乱、光照变化的视频序列中,仍然能够稳定准确地跟踪目标。3.提出了一种基于多重约束非负编码的目标跟踪方法。该方法通过非负编码的形式,包含相邻帧和临域内在特征空间较相似的超像素的相关性,削弱了跟踪器对相邻帧图像之间的微小变化和部分遮挡敏感性,增强了编码形式的稳定性,很大程度上提高了算法的可靠性,使得当光照变化、背景相似、目标快速运动、运动模糊时的跟踪性能更加鲁棒。