实时运动目标跟踪是模式识别、图像处理、计算机视觉、武器制导等领域的重要课题，是序列图像分析和视频理解的基本步骤之一，也是计算机视觉研究的关键技术之一。然而，由于人类对视觉与感知的形成尚缺乏深入的认识，计算机视觉中的根本性问题——鲁棒性问题还没有得到很好地解决。在实际应用过程中，现场环境的复杂性以及应用的实时性对跟踪算法都提出了更高的要求。随着计算机硬件的飞速发展，实时性要求更多依赖于硬件解决方案，而如何在保障实时性的前提下提高目标跟踪的鲁棒性越来越成为视觉信息的智能化处理和自动理解的关键因素。鲁棒估计研究的是当观测数据中存在半数甚至超过半数的离群数据时，通过鲁棒估计子仍然能够对模型作出很好的估计。将鲁棒估计应用于运动估计与跟踪中，能显著提高目标跟踪的鲁棒性，具有重要的研究意义。 本文首先讨论了关于鲁棒估计的一些基本概念，介绍了几种基于鲁棒统计学的鲁棒估计方法，并重点分析了L-估计和M-估计。此外，本文分析了传统鲁棒统计学中的不足之处以及计算机视觉中的数据结构特点，讨论基于计算机视觉的两种重要的鲁棒估计方法Hough变换和RANSAC算法，并分析了这两种方法的优缺点。 在目标跟踪过程中，由于受诸多因素的影响，传统的基于Kalman滤波器的目标跟踪方法并不能克服外点的影响。M-估计是一类重要的鲁棒估计方法，通过选择不同的损失函数，可以实现不同的鲁棒效果。本文将M-估计与无迹Kalman滤波器相结合，并应用于目标跟踪，既解决了针对运动模型非线性的估计问题，又能较好的克服离群数据的干扰，大大提高了估计的鲁棒性。通过模拟数据的仿真和实际图像序列的测试说明了该方法的有效性。 鲁棒估计的另一个重要理论来源就是非参数估计，它无需对先验分布作过强的假设。本文讨论了非参数统计的几种方法，重点讨论了核密度估计以及基于核密度估计的模式检测算法——Mean Shift算法。Mean Shift算法在目标跟踪中有着广泛的应用，其主要是基于颜色直方图实现目标跟踪的。本文采用了特征法实现跟踪，提出了基于Mean Shift算法的混合粒子器方法来实现多目标的跟踪，实验表明具有良好的跟踪效果。