目标跟踪技术是一门集图像处理、模式识别和机器学习为一体的综合性技术学科,在农业方面有广阔的应用前景,例如农作物病虫草害的检测与防治、饲养动物的监控与管理以及视觉导航农业机器人等。随着畜牧业的快速发展,如何实时的精确跟踪奶山羊及其它动物以加强对它们的监控管理成为今后重要的研究工作之一。本文以经典的相关滤波跟踪算法和粒子滤波跟踪算法为基础,从特征表达、抗遮挡处理、模型更新以及特征融合等多方面进行研究,并用搜集到的多个奶山羊视频对改进的方法进行测试和验证,主要内容如下:（1）提出了一种基于上下文信息和超像素级特征的奶山羊跟踪方法（Proposed₁）。在相关滤波跟踪原理框架下,以核相关滤波跟踪算法为基础,添加奶山羊周围上下文信息建立上下文模型,当奶山羊目标出现严重遮挡和表观发生巨变导致信息丢失时,利用上下文信息预测其位置,减弱因为错误外观信息出现的目标漂移。然后计算奶山羊图像区域和背景区域的响应值以检测目标外观是否发生剧烈变化,进而决定上下文模型的更新频率,尽量减轻模型漂移问题。在特征提取方面,使用超像素级的中层视觉特征代替传统的灰度值或纹理度等低层特征,使奶山羊目标的外观表示更为稳定。（2）提出了一种自适应加权特征融合的粒子滤波跟踪方法（Proposed₂）。分别提取奶山羊的颜色直方图特征和梯度方向直方图特征（HOG）表示奶山羊外观模型,利用两个特征之间的互补性实现奶山羊的精确跟踪。同时,针对大多数融合算法使用固定的融合权重系数难以实时地适应周围环境的变化,此算法利用各个特征的“可靠性”自适应更新融合权重系数,通过颜色直方图特征和HOG特征的相似性度量来动态调整两个特征的权重系数取值以更好的应对奶山羊目标外观变化,弥补特征权重单一不变的缺陷,实现了了两个特征的有效融合,提高了跟踪的稳定性。实验结果表明,Proposed₁算法相比原核相关滤波跟踪算法在精确度和成功率指标上分别提升3.6%和9.3%,Proposed₂算法相比仅使用HOG特征的粒子滤波算法,精确度和成功率分别提高了16.9%和10.5%,相比仅使用颜色特征的粒子滤波算法,精确度和成功率分别提高了19.2%和16.8%。同时所提算法速度较快,均满足实时性的要求,对以后动物的监控管理有一定的应用价值。