机器视觉就是通过智能算法使机器具有人眼观测，分析和判断事物的能力，而目标跟踪是机器视觉中的核心技术之一。机器视觉目标跟踪无论是在军事领域还是民用领域都有广泛的应用，如导弹制导、飞机监测、智能交通、医疗图像等，因此对机器视觉目标跟踪算法的研究具有广阔的的应用前景和实用价值，已得到国内外学界和商界的高度重视。机器视觉目标跟踪算法的研究涉及到图像处理，自动控制，机器学习及模式识别等多个学科的知识，随着各学科的发展和相互融合，新的思想和新的框架不断涌现，并取得了令人瞩目的成绩。但越来越高的精准，速度，通用性和智能化需求使得机器视觉目标跟踪算法的研究依旧面临巨大的挑战。机器视觉目标跟踪在现实复杂环境应用中存在如下几种主要问题：目标的空间旋转、尺度变化、快速移动和遮挡；环境的光照变化、背景与目标的相似性等。如何能克服以上问题，提高目标跟踪算法的速度，精确度和鲁棒性是研究的重点和难点。本论文根据已有算法的优缺点，分析跟踪与检测、识别的异同，以提高目标跟踪算法性能为目的，做了如下创新和主要工作：1、提出了一种适用于目标跟踪的四叉树分块模型。该方案避免了以往盲目地对目标提取特征，而是针对不同跟踪目标的结构特性，对结构复杂的目标细分块，对结构简单的目标粗分块，同时对特征块采用参数估计的方式来进行描述，这样既充分地描述了目标，又大幅度降低了特征的维度，从而加快了目标跟踪算法的速度。2、提出了一种基于词袋的目标跟踪算法。词袋思想是一种模仿人类认知事物的抽象特征学习方法，该方法在机器视觉目标检测和图像检索领域已取得丰硕的成果，但由于目标跟踪应用的独特性，传统统词袋分类思想很难被应用在目标跟踪中。本文提出了一种在线特征学习的目标跟踪方法，并通过实验验证了该算法的可行性，较人工特征的跟踪算法具有更好的鲁棒性。