作为计算机视觉的重要的分支之一,目标跟踪在运动分析、视频压缩和行为识别等领域都处于核心位置,并且在视频监控、人机交互和智能导航等方面存在着广泛的应用。虽然在过去几十年里目标跟踪有很大的发展,但是,由于在跟踪过程中会遇到各种各样的挑战(光照变化,遮挡,姿态变化,背景杂乱等),因此,设计一个鲁棒的高效的跟踪算法仍是一个具有非常具有挑战性的难题。迄今为止,有各种各样的跟踪算法被提出,然而这些目标跟踪算法都不能有效地解决所有的挑战,综合性能不太理想。首先,基于生成模型的算法的目的是为了学习目标的外观模型,有效的搜索算法和高效的匹配机制,但是在跟踪过程中,这个三个目的往往都很难实现。其次,在跟踪过程中背景往往会发生激烈的变化,特别是当背景和目标极为相似的时候,所以,判决模型很难将目标从背景中分离,从而造成了跟踪漂移。因此,本课题从融合角度出发,希望利用融合互补机制提高跟踪器的综合性能。由于基于图论的流形排序算法能够高效地利用大规模高维数据集所内在的流形结构,在图像检索方面得到了广泛的应用,并表现出了优异的准确性和灵活性。基于此种现状,本课题将流形排序引入目标跟踪领域,并用于多个跟踪算法的融合,以期提高跟踪器的鲁棒性和准确性。本文主要工作包括:(1)分析Haar-like,HOG,SIFT等特征参数对目标跟踪性能的影响。研究采用多特征融合策略更好地描述跟踪目标;(2)鉴于跟踪器只能较好的处理某一挑战,不能有效地处理所有的挑战。本文提出将流行排序引入目标跟踪领域,利用流形排序融合现有的几个性能较好且跟踪互补的跟踪器进行融合,提高目标跟踪的鲁棒性和准确性;(3)提出一种新的模型更新机制,用于解决跟踪过程中模型退化问题。将每个子跟踪器最近几帧的跟踪结果作为标签节点,当最终融合的结果确定以后,利用最终的结果更新每个子跟踪器,与此同时,为了更好地利用流形排序的结果,将排名结果比较靠前的采样样本作为下一帧的标签数据;(4)为客观评价本文所提出的算法,选用VTB视频库作作为评测平台,从定量和定性两个方面来评价算法,并与当前跟踪效果较好的10种算法作对比。此外,本课题主要测试了各个算法的时间鲁棒性(TRE)和空间鲁棒性(SRE)。实验结果表明本课题提出的融合框架能够提高跟踪器的鲁棒性和准确性,特别是在处理光照,旋转,遮挡等干扰因素方面。