视频目标跟踪一直是计算机视觉领域中的热点问题,其目的是在视频序列中连续定位目标以获得其完整的运动轨迹,从而可以为智能监控、人机交互、医学诊断、视频编码等应用提供有用的信息。目前人们已经对视频目标跟踪进行了广泛的研究,并提出了许多有效的跟踪算法,然而由于存在环境的复杂性和被跟踪目标自身的复杂动态特性等影响因素,要实现鲁棒跟踪视频目标仍然存在许多困难。本文针对视频场景中的单目标跟踪问题和多目标跟踪问题展开研究,侧重点在目标外观模型设计和采样模型设计。本文的主要研究成果如下：1.提出了一种基于片图模型的视频目标跟踪算法,该方法采用局部区域(即片图)特征集作为目标的外观模型,在时-空域内使用MCMC方法跟踪每个特征片图的状态。目标被局部遮挡的状态定义为对应特征片图的消失,被跟踪目标的可见性由其片图特征集中元素的生存状态所决定。文中先后提出了两个方案估计片图特征集中元素的状态,方案一使用动态模型控制假设样本的分布,并建立了一套比较严格的空间约束规则,实验表明,该方法能够较好判断目标被环境中静态障碍物遮挡时的状态；方案二在两个方面对方案一进行了改进,包括使用运动轨迹特性约束样本的分布,和使用运动一致性判断特征片图的存在合理性,实验表明,改进方案能够提高目标状态估计的准确性。2.提出了一种基于姿态转换的多子区域模型目标跟踪算法。该方法首先建立了一套基本人体姿态集,其次在MCMC推理框架中使用姿态约束控制样本数据分布,实现了将人体运动过程中全局动态变化与局部动态变化相融合的目的。实验表明,与基于整体模型的跟踪方法和基于无约束多子区域的跟踪方法相比较,本方法更便于处理多种人体铰接结构的运动形变及局部遮挡情况,从而可以较好地保持对人体目标的持续跟踪,并能够估计不同时刻人体目标对应的空间范围。3.提出了一种人脸检测辅助的多目标跟踪算法。该方法建立了个两区域的外观描述模型,并使用HSV彩色空间提取的颜色直方图作为模型特征以减小光照影响,在此基础上使用基于对称KL散度的方法估计样本区域的相似程度；此外,该方法还在采样框架中使用人脸检测结果控制粒子样本的分布。实验表明,与使用整体目标描述模型的跟踪方法相比较,本方法能够更准确定位多种姿态下运动的多个人体目标。4.提出了一种基于特征点定位的自适应片图模型目标跟踪算法。该方法在外观建模时首先使用SUSAN算法提取角点,然后以角点为基准提取图像子区域(片图),在此基础上建立基于稀疏彩色片图的外观模板。进行状态估计时,该方法首先采用Mean Shift方法进行整体目标区域状态的粗估计,其次将Mean Shift估计结果结合到采样框架中,以此控制粒子样本的分布,并且使用稀疏片图外观模型进行细致定位。实验表明,本方法能够较好地估计非刚性目标(人体)和刚性目标(车辆)的状态。