随着计算机软硬件水平的不断提高,视频目标跟踪技术的应用范围越来越广。然而,在目标跟踪过程中,常常会遇见目标遮挡情况,使跟踪变得不稳定；或者遇见目标特征与背景特征相似的情况,使跟踪产生漂移现象,甚至导致跟踪失败。因此,要实现稳定且准确的目标跟踪,目标遮挡及跟踪漂移问题亟需解决。本文针对目标遮挡及跟踪漂移问题展开研究工作,其主要内容及创新点如下：针对目标遮挡及跟踪漂移问题,选取颜色直方图模型作为目标特征,提出了多区域特征匹配方法。该方法将目标分为多个区域,用无向图表示区域之间的关系,在单区域特征匹配巴氏系数的基础上,引入相邻区域的距离因子,建立了全局多区域相似性度量函数,使得在某些区域跟踪出现异常时,其他区域可以校正其跟踪位置,从而提升跟踪的鲁棒性及准确性。在多区域特征匹配方法的基础上,提出了基于卡尔曼滤波的多区域关联目标跟踪模型(简称跟踪模型)。应用卡尔曼滤波对目标运动轨迹进行预测及校正,预测为获取准确的观测信息奠定了良好的基础,校正提升了跟踪的准确性。此外,还给出了基于该模型的目标模板更新及目标严重遮挡的解决方案。为实现跟踪模型,提出了螺旋队列区域采样方法,建立了基于卡尔曼滤波与螺旋队列采样的多区域关联跟踪算法(简称螺旋算法)。相比传统的等间隔区域采样,螺旋采样给出了采样区域直方图模型的递推公式,降低了计算量,提高了跟踪的实时性。实验结果表明,相对于经典的Mean Shift方法及粒子滤波法,该算法可以较好地处理目标遮挡和跟踪漂移问题,并且拥有更好的鲁棒性、实时性及准确性。为了解决跟踪模型中观测信息过多依赖于卡尔曼滤波预测状态的问题,引入马尔科夫链蒙特卡罗(MCMC)方法作为跟踪模型中的采样方法,并建立了基于卡尔曼滤波与MCMC采样的多区域关联跟踪算法。通过卡尔曼滤波预测马尔科夫链的初始状态,再基于该状态利用MCMC方法构建一条平稳分布为观测密度的马尔科夫链,用于获取卡尔曼滤波校正阶段所需的观测信息。实验结果表明,该算法不仅可以解决目标遮挡和跟踪漂移问题,而且相对于螺旋算法,拥有更佳的准确性和稳定性,但实时性稍逊。