目标跟踪技术是计算机视觉领域研究的重要课题，它融合了图像处理、模式识别、机器学习、优化理论和偏微分方程等相关领域的先进技术和研究成果，在视频监视系统、机器人导航、军事监控、交通检测和医学图像分析等领域有广泛的应用。本文主要研究基于均值漂移(Mean Shift)的跟踪算法和基于偏微分方程的跟踪算法。 传统Mean Shift跟踪算法本质上是梯度下降算法，未考虑代价函数的二阶信息。本文利用代价函数的二阶信息(Hessian矩阵)，将牛顿法、带步长的牛顿法和信赖域方法引入目标跟踪领域，以提高跟踪性能。为了解决具有复杂运动的目标实时跟踪问题，针对具有仿射变换的目标，基于奇异值分解和优化理论，提出了相对于仿射变换的Mean Shift跟踪算法；基于类似的理论提出了能够处理具有相似性变换目标的Mean Shift跟踪算法。为了进一步提高目标跟踪速度，提出了基于GPU的并行Mean Shift跟踪算法。该算法利用K—Means聚类方法对目标颜色空间进行分析，基于混合高斯分布模型对目标的颜色空间进行自适应剖分，在此基础上提出并行算法完成bin索引的确定、直方图计算及Mean Shift向量的计算等。 对于具有复杂轮廓的目标或进行非刚性运动的目标，提出了基于偏微分方程的跟踪算法。用Jensen—Shannon测度建立区域泛函度量模型之间的相似性，利用形状导数理论和变分理论推导出描述轮廓进化的偏微分方程解决泛函的极值问题，通过水平集算法求解偏微分方程从而得到目标的轮廓。