随着信息技术的飞速发展、计算机硬件处理能力的不断提高和存储成本大幅下降,计算机视觉领域的目标跟踪技术逐渐成为学者们研究热点,在人机交互、智能监控、医疗等方面得到广泛的应用与发展。尽管人们已经提出了很想有效的视频目标跟踪算法,但实际应用中,视频目标的多变化、场景的复杂化使得跟踪技术仍然面临许多难题。　　本论文针对视频序列中常见的目标快速运动、遮挡、外观形变、场景的光照变化、背景杂乱、目标与背景相似等情况进行分析研究,主要研究成果如下:　　(1)提出了一种基于散射描述子的运动目标跟踪方法。该方法用非下采样散射描述子来表征目标,使得提取到的目标特征更全面、典型,很好地从图像背景中分离出前景目标;引入自适应更新目标模型和级联的遮挡判断方法,很大程度上减少了目标漂移,克服了目标发生遮挡、外观改变、快速运动问题,实现了准确可靠的跟踪;　　(2)提出了一种基于样本重选择的目标跟踪方法。该方法在建立目标表观模型时,根据样本示例的概率分布特性进一步对样本进行筛选,使得样本标记更准确,获取的样本更加典型地表征目标,同时引入样本的先验概率增强分类器的稳定性措施,很大程度上提高了算法的可靠性,对光照变化、目标快速运动、运动模糊、复杂场景下的跟踪问题具有良好的鲁棒性;　　(3)提出了一种基于上下文约束编码的目标跟踪方法。该方法主要介绍了基于相邻帧的上下文约束编码模型,该模型通过相邻帧的对应像素互相约束的方法,很好地保持了视频序列的空间一致性,增强编码模型的稳定性。采用在线更新码本和分类器参数的方法,降低了跟踪过程中产生的漂移现象,增强了动态场景中模板外观变换时跟踪的稳定性和可靠性。同时该方法对场景复杂、背景杂乱的视频序列依然能实现可靠稳定的跟踪。