在计算机视觉的研究范畴中,视频运动目标跟踪技术是视频内容分析的关键技术,受到广泛关注。在运动分析、模式识别、视频监控、人机交互和交通管理等视觉任务中扮演着重要的角色,并能为更高级的视频处理提供基础信息。在科技领域中,视频目标跟踪技术得到了普遍的应用。贝叶斯方法在系统状态估计中有很好的应用效果,因此,很多目标跟踪算法都是以贝叶斯跟踪框架为基础,构造观测模型和运动模型来完成跟踪任务。利用自适应外观模型能够提高跟踪算法的稳定性和准确性。按照构造方式的不同,外观模型可分为生成模型和判别模型。在贝叶斯跟踪框架中,结合判别模型和生成模型的特点完成跟踪任务,提出一种基于超像素和局部稀疏表示的目标跟踪方法。对训练帧图像进行超像素分割,并通过聚类方法构造基于超像素的判别型外观模型;在第一帧图像中,计算目标模板的稀疏性直方图,构造生成型外观模型。在跟踪阶段,计算基于超像素的置信图,采样候选样本,并计算候选样本的置信值;从样本采集局部图块,计算每个样本所有图块的稀疏表示系数,得到样本的稀疏性直方图,并计算样本直方图与模板直方图的相似度。根据置信值和相似度,计算观测模型,结合观测模型和运动模型,计算候选样本后验估计值,确定目标跟踪结果。为提高外观模型的自适应性,对两种外观模型都保持在线独立更新。利用判别型外观模型可以将目标对象从背景中区分开来,而生成型外观模型包含目标空间信息,可以用来处理跟踪过程中的遮挡问题。仿真实验表明,目标发生外观变化时,算法能得到较好的跟踪结果。利用时空上下文信息进行跟踪,扩展了跟踪任务中可利用的资源。当目标由于遮挡、姿态变化等原因引起外观产生剧烈变化时,仍然可以利用时空上下文信息对目标定位。提出一种改进的时空上下文跟踪算法,首先利用反卷积方法对目标及其周围局部背景区域学习空间上下文模型,然后将获得的空间上下文模型用于在新的一帧中更新时空上下文模型。在学习时空上下文的过程中引入视觉显著性特征,以显著性特征作为目标及局部上下文区域的特征描述,降低局部上下文区域的整体图像复杂度,提高目标检测的准确性。提取目标的显著性特征,并利用粒子滤波以粒子和目标的显著性直方图匹配,对跟踪结果进行预测和修正。