视频目标跟踪是计算机视觉领域中的一项重要研究课题，已经广泛应用于人机交互、视频监控、智能环境及军事领域等方面，因此研究视频目标跟踪是非常有意义的。均值漂移（Mean Shift）算法是应用得最为广泛的目标跟踪算法之一，本文针对其不能跟踪快速运动目标的缺点，并利用SIFT（Scale Invariant FeatureTransform）特征具有良好不变性的优点，提出了基于SIFT特征和Mean Shift的跟踪算法，并通过多个实验验证了新算法的跟踪性能。本文主要做了以下几个方面的工作。首先，本章介绍和分析了Mean Shift算法原理，并对其进行了跟踪实验。MeanShift算法采用目标图像的灰度或色彩统计特征作为目标模型，能较好地表示目标图像，其跟踪实验结果表明，Mean Shift算法跟踪快速运动目标的性能较差。然后，本文介绍了SIFT特征的原理和提取过程，并简述了标准k-d树搜索算法和优先k-d树搜索算法。另外，在现有基于SIFT特征的跟踪算法基础上，本文设计了一种改进算法。本文分别对SIFT特征提取及匹配、现有基于SIFT特征的跟踪算法和其跟踪改进算法进行了实验，实验结果表明，SIFT特征对图像旋转具有良好不变性，而且当图像的灰度或颜色分布集中时，图像的SIFT特征数量较少；基于SIFT特征的跟踪改进算法能跟踪快速运动目标。同时实验结果也表明，利用SIFT特征进行目标跟踪这类算法有个缺陷：当目标图像的SIFT特征数量持续较少或为零时，跟踪失败。最后，本文将基于SIFT特征的跟踪改进算法和Mean Shift算法的优势互补，设计了基于SIFT特征和Mean Shift的跟踪算法，并通过实验验证新算法的性能。MeanShift算法能较好地表示目标图像但跟踪快速运动目标的性能较差，而基于SIFT特征的算法能较好地跟踪上快速运动目标但是当目标图像SIFT特征数量持续较少或为零时却无法跟踪目标。本文算法首先将目标图像的灰度或色彩统计特征作为目标模型，并利用SIFT特征的不变性预测目标的大致位置，然后Mean Shift算法在此预测位置进行目标精确搜索。通过比较Mean Shift算法、基于SIFT特征的跟踪改进算法、卡尔曼滤波器与Mean Shift的结合算法和新算法的跟踪性能，结果表明，新算法的跟踪性能都明显高于其它几个算法。