目标跟踪是利用图像处理等相关技术对视频图像序列中的运动目标进行处理、分析和理解找到所感兴趣的目标所处位置的过程。它作为计算机视觉研究领域的一个关键技术,正日益广泛地应用到安全防范、智能视频监控、人体运动分析、智能交通管理等领域,因此对目标跟踪算法的研究是具有较高的实用价值和广阔的发展前景。运动目标的检测是目标跟踪的前提。本文首先介绍了包括帧间差分法、背景差分法以及光流法在内的三种基本常用视觉目标检测算法,根据各自算法的特点选择利用算法性能相对较好的背景差分法实现目标的检测,并利用数字形态学方法对利用背景差分法完成的目标检测效果进行后处理,降低噪声的干扰。针对简单运动目标模型,本论文采用一种基于卡尔曼滤波(Kalman Filter,KF)的运动目标跟踪算法。该算法首先利用前面介绍的背景差分法实现动态目标的检测,并依此计算目标模型的核直方图,进而建立目标的运动学状态空间模型。利用历史帧中测量得到的运动目标的位置、速度等参数,完成卡尔曼滤波的时间更新过程,获得滤波的一步预测值一步预测协方差矩阵,最后利用从当前帧获得的量测信息(位置或速度信息),通过量测更新计算估计出运动目标的位置,实现运动目标的跟踪。为进一步提高跟踪精度,本论文结合KF和Mean Shift算法实现运动目标的跟踪。该算法利用KF对目标的位置进行预测,得到下一帧图像中目标可能出现的区域,并将KF估计的预测点当作MeanShift算法迭代的起始点,利用无参数估计的收敛性,得出精度更高目标的位置,从而达到跟踪的目的。但是该方法只能用在线性模型下,在复杂运动状态下该方法将不再适用。针对运动目标的非线性模型,以及在目标被遮挡时误差协方差矩阵计算溢出等问题,采用一种基于容积信息滤波的视觉目标跟踪算法,该算法利用容积卡尔曼滤波的逆形式容积信息滤波来代替卡尔曼滤波完成目标状态估计,避免了协方差矩阵的求逆计算,降低了目标预测过程的计算量,实现了滤波设计的优化,并结合Mean Shift算法实现对非线性视觉目标的跟踪。最后,本论文对基于CIF算法的视觉目标跟踪算分别进行了简单运动模型、复杂运动模型以及被遮挡运动模型的仿真和实验,并对仿真实验结果进行相应的分析,通过仿真结果验证了基于CIF算法的视觉目标跟踪算法的正确性。