运动目标跟踪技术是计算机视觉中一项具有重要意义的课题。对于图像序列中的运动目标进行跟踪在许多领域都有着重要的应用,如医疗、数字影像监控、导弹制导及智能交通系统等。图像跟踪方法大致可分为两大类：概率跟踪方法和确定性跟踪方法。确定性跟踪方法效率高,跟踪性能稳定,准确度高,Mean Shift算法是这类方法的典型代表,该方法首先对某帧图像中的目标对象进行核函数空域加权的像素直方图特征提取。通过核函数的空域加权,便可获得能够进行梯度优化的空域连续可导相似函数,从而也将目标对象的定位问题等价变换为在空域中求最优解的问题。该方法采用概率密度函数之间的Bhattacharyya系数作为评价函数以表示目标对象模式与搜索对象模式之间匹配程度。最后,通过Mean Shift算法在空域对相似程度求最优解,找到与目标对象模式最相似的搜索对象模式,从而完成目标对象的定位。概率跟踪卡尔曼滤波和粒子滤波是这类方法的典型代表。卡尔曼滤波对系统模型和后验分布有严格限制,只能处理线性、高斯、单模态的情况,而在图像跟踪应用中,后验概率的分布往往是非线性、非高斯、多模态的,因此卡尔曼滤波的应用受到一定的限制。与卡尔曼滤波不同,粒子滤波对于系统模型没有特殊要求,而且能够保持状态的多模态分布,不易受杂波的影响,在跟踪领域得到了很大发展。但常规粒子滤波跟踪算法存在计算量大、采样效率低等问题,而且由于实际跟踪场景的复杂性,给常规粒子滤波跟踪算法提出了很大的挑战。本论文针对图像跟踪算法中的若干重要环节：跟踪对象表征模型、跟踪对象模板更新方法以及跟踪窗口宽度自适应更新进行了研究,并提出了颜色和形状联合表征方法,基于核密度估计匹配的模板自适应更新方法以及基于光流场的对象窗口更新方法,以经典Mean Shift算法和粒子滤波算法为基础,对上述改进算法进行了仿真实验分析和研究。最后,分析讨论了算法参数对跟踪精度的影响。仿真结果表明这种新的Mean Shift跟踪算法比传统跟踪方法具有跟踪误差小和较强的跟踪鲁棒性。