视频目标跟踪技术在社会生活中随处可见其身影，视频目标跟踪技术作为人类视觉的延伸，在视频监控、人机交互、机器人导航以及自然灾害分析等方面都有广泛的应用。视频目标跟踪仍旧存在许多问题，如光照变化、遮挡、背景抖动等等。尽管已经有许多有效的目标跟踪算法，但都没有彻底解决这些问题。基于针对视频跟踪中一些关键算法的研究，主要涉及目标表示、特征选择、特征融合等技术，本文提出了新的视频目标跟踪改进算法以提高在处理复杂场景时的精度和性能。论文的主要研究工作与创新如下：　　首先，提出了一种基于联合校正似然的背景加权直方图（joint CB-LBWH）的均值漂移跟踪算法。该算法同时利用特征显著性和特征置信度作为加权判据来构建直方图，从而能够有效降低目标表示中的背景干扰。本文推导出基于似然的背景模型（LB），并进而提出一种基于似然的背景加权直方图（LBWH）方案，LBWH考虑了特征置信度；而校正背景加权直方图（CBWH）考虑了背景特征的显著性。这样将 CBWH和LBWH结合，joint CB-LBWH可以有效提高目标直方图模型的判别力，从而提高目标跟踪的精度和性能。对比实验结果表明：在背景显著变化和背景相似等复杂场景存在的情形，由joint CB-LBWH跟踪器所改进的目标直方图模型具有较高的判别力、较好的鲁棒性和性能。　　其次，提出了一种基于前景显著性的背景加权直方图（FSBWH）的均值漂移跟踪算法。本文推导出一个基于前景显著性的背景模型（FSB）。进一步用FSB提出一种新的基于前景显著性的背景加权直方图（FSBWH）方案来融合背景和前景的显著特征并用于目标表示和跟踪。该方案通过同时突出前景显著特征和抑制背景特征干扰提高了目标直方图模型的判别力,从而提高了跟踪器的精度和性能。对比实验结果表明在背景显著变化和遮挡等场景下，提出的FSBWH跟踪器可以提高目标直方图模型的判别力及跟踪器的效率和鲁棒性。　　第三，提出了一种结合特征选择和特征融合的目标表观模型生成方式以及基于协方差和自适应特征选择的粒子滤波（CVPF-FS）跟踪算法。首先扩展方差比被用来选择判别力强的特征，接着利用区域协方差描述符进行目标表观建模。由于区域协方差描述符是一个强大的特征融合方法，使得算法的目标表观模型更具判别力。最后在线特征选择和特征融合被集成进粒子滤波框架中进行鲁棒跟踪。对比实验结果表明：CVPF-FS算法较准确地建模了目标的表观，在遮挡、光照和尺度变化等复杂场景下是鲁棒的，跟踪效果不错。　　基于视频的运动目标跟踪研究是计算机视觉领域中的挑战性课题，本文的研究工作虽然取得了一定的进展，还存在一些不足，比如提出的均值漂移跟踪算法需要考虑尺度变化的场景，CVPF-FS跟踪算法由于要做在线特征选择和协方差计算等而需要较多的时间。这些需要进一步开展深入研究使算法效果更好。