作为计算机视觉领域中的一个热点课题,视频图像中的运动目标跟踪问题具有重大的研究意义。但是由于背景干扰、障碍物遮挡以及目标变形等原因,复杂场景下的运动目标跟踪仍然是一项具有挑战性的工作。在复杂场景下,利用单一特征来表达目标以鲁棒的检测、定位、分析目标是一项困难的工作。解决这一问题的有效方法是在目标表达的过程中自适应地融合多种特征。自适应融合多特征的过程是实现运动目标鲁棒跟踪的关键所在。基于多特征的选择与融合,本文对复杂环境下的运动目标跟踪问题进行分析研究,所做的主要工作如下:首先,介绍了基于多特征运动目标跟踪问题的国内外研究现状以及发展趋势,并且阐述了基于多特征运动目标跟踪的相关理论基础。其次,通过分析传统的特征选择方法所存在的不足,提出了一种根据特征的稳定性和反差性评估的特征选择方法。这种特征选择方法首先用方差来衡量特征的稳定性,用对数似然比来计算特征的反差性;然后用特征的稳定性指数S和反差性指数C来评价各个特征的重要性;最后选择出对后续目标跟踪有利的特征。大量有说服力的实验证明了所提出的特征选择方法的有效性和正确性,这也为后续的多特征自适应融合跟踪奠定了良好的基础。最后,在均值漂移(Mean Shift)跟踪框架的基础上,提出了一种多特征联合描述子(Multi-feature Joint Descriptor,MFJD),并用联合直方图之间的距离来度量目标模板和候选模板之间的相似性。本研究融合了颜色特征和方向梯度直方图(Histograms of Oriented Gradients,HOG)特征来表达目标,进一步提出了一种基于均值漂移框架的多特征自适应融合策略。该策略基于特征的稳定性和反差性能够自适应的调节各个特征在跟踪过程中的权值。并通过大量的实验从定性、定量和自适应策略评估三个方面验证了本文所提出的跟踪策略在处理目标遮挡、姿态变化、背景模糊和目标尺寸变化等复杂场景下目标跟踪的有效性。此外,通过与多种经典目标跟踪算法的对比证明了多特征自适应融合跟踪方法MFJD较其它算法在跟踪精确性和鲁棒性方面具有明显的优势。