基于计算机视觉的目标跟踪是城市安防、智能交通和人机交互的核心技术。近年来高性能计算机的发展、高质量摄像机的使用以及不断增长的自动化视频分析的需求使得目标跟踪算法成为一个研究热点。目标跟踪的难点在于需要在一个算法中调解各种不同环境及其变化并具有高度实时性。本论文针对目标跟踪问题,以保障算法的实时性为要求,提升跟踪算法的精度和鲁棒性为目的,从目标特征表达和跟踪模型两个方面进行了研究,并实现移动机器人平台的目标跟踪系统。主要工作和创新性研究成果如下:1.从目标跟踪特征的角度出发,提出了一种高鲁棒性且实时的人体跟踪算法。建立了一个多层次目标跟踪框架,针对人体这个特殊目标进行多层次的特征设计,能够同时考虑像素级、局部块和目标整体等三个层次的特征,使得跟踪算法能够处理人体的多形变、局部遮挡等问题,实现稳定跟踪。该算法对人体跟踪效果显著,且跟踪速度达到30帧/秒以上。2.从跟踪模型的角度出发,提出了一种高精度、高鲁棒性且高实时的任意目标跟踪算法。建立了一个基于循环特征的大边际目标跟踪框架,以结构化SVM为判别器,引入相关滤波,突破结构化SVM的速度瓶颈,进而得以使用循环稠密样本与较高维度的特征。另外,提出了一种新的多峰前向检测方法和一种新的模型更新策略,进一步提升目标定位精度,并防止模型偏移和模型腐蚀问题,使得跟踪算法能够判断并处理任意目标的严重遮挡、丢失等问题。该算法的精度优于现有最新的跟踪算法,且跟踪速度高达80帧/秒以上。3.针对移动机器人平台,设计了一种稳定且实时的三维目标跟踪系统。结合超声波传感器和单目相机,准确地估计目标实时的三维坐标信息。其中单目相机用来实现视觉跟踪模块,超声波传感器跟踪模块用来提供目标与机器人之间的范围信息。采用扩展卡尔曼滤波异步融合视觉和超声波两个不同频率的数据流。