机器视觉技术广泛的应用在目标跟踪领域。其中经典的目标跟踪算法有粒子滤波算法和均值漂移算法。在目标跟踪的过程中，粒子滤波算法采用非参数的蒙特卡罗方法来模拟递推贝叶斯滤波获取粒子，然后用大量粒子来近似逼近状态后验概率分布的方法很好地解决了非线性非高斯问题，但是存在重要性采样粒子退化以及重采样粒子贫乏等问题。均值漂移算法利用核函数的性质，无需估计整个区间的概率密度，不要求进行全局搜索，已经被成功地应用在实时性要求较高的目标跟踪领域，但是存在跟踪目标和背景颜色相近时难以保持鲁棒性，对光线变化敏感，核函数带宽不能对跟踪目标尺寸自适应，对运动速度快以及严重遮挡的目标容易跟踪丢失目标。　　论文针对以上不足，在对粒子滤波算法和均值漂移算法深入研究的基础上，主要做了以下工作：　　1、提出了一种改进的MPF粒子滤波目标跟踪算法。该算法采用状态的预测值代替kalman滤波的量测更新，用kalman滤波器处理目标的速度和加速度分量；通过蚁群优化算法改进标准粒子滤波器，并用以估计目标的位置信息。实验结果表明,改进后的边缘化粒子滤波目标跟踪算法在提高目标状态估计精度的同时，降低了粒子滤波的计算复杂度，克服了粒子滤波退化现象。　　2、提出一种基于颜色特征与边界特征相融合的目标表示方法和沙包核函数mean shift尺寸自适应算法。该算法在跟踪中，颜色特征和边界特征根据各个特征的可靠性进行实时性更新；同时，在跟踪窗口中心和边界定位的基础上，由候选目标跟踪窗和分块目标跟踪窗的边界距离变化对核窗宽大小进行更新。实验结果表明:该算法目标定位的精确性更高，在目标尺寸增大和减小的情况下，平均每帧耗时比传统的基于矩形窗和椭圆窗自适应跟踪算法更少，提高了跟踪性能，满足实时性要求。　　3、提出一种基于镜像mean shift的目标遮挡处理算法。该算法在当目标没有遮挡时采用颜色特征和轮廓特征定位目标，利用分块沙包窗核函数实现尺寸自适应；当目标进入遮挡区域时候，在改进的巴氏系数条件触发下，利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测；当目标离开遮挡区域时再次利用巴氏系数条件触发转换为mean shift跟踪。实验结果表明：本文提出的算法在目标全遮挡的情况下能较好的跟踪目标，提高了跟踪性能、满足实时性要求。