随着科学技术的发展,特别是计算机技术的突飞猛进,使得计算机视觉的发展成为了可能。目标跟踪是计算机视觉领域中的热点问题,它广泛应用于视频监控、智能交通、机器人视觉导航等场合。目标跟踪系统对鲁棒性和实时性要求较高,围绕这一点,本文对目标跟踪中主流的MeanShift算法展开了研究。主要研究内容如下:首先,概述目标跟踪的背景及发展现状,对目标跟踪中的MeanShift算法进行理论基础分析,并通过分析得出其优缺点。其次,传统MeanShift跟踪算法依靠目标颜色特征模型进行跟踪,颜色特征属于全局信息,不同的目标可能具有相同的颜色信息。针对这一点提出基于分块颜色直方图的MeanShift跟踪算法,利用分块的方式将空间位置信息融入到目标模型中,并通过仿真实验验证算法有效性。再次,MeanShift目标跟踪算法通过对比初始目标和候选模型的相似度来确定目标位置,针对单一颜色特征对目标描述不充分而且容易受背景干扰的问题,采取多特征融合的策略对目标进行描述,联合颜色、边缘、LTP纹理特征,计算每个特征对于目标和背景的区分度,在此基础上进行加权融合,针对两种算法进行仿真比较,验证改进算法的抗干扰能力。最后,对于目标跟踪中经常发生而又难以解决的遮挡问题,提出了扩展卡尔曼滤波与MeanShift算法相结合的策略。依靠扩展卡尔曼滤波器对运动系统的估计能力,预测目标的可能位置,MeanShift算法在此基础上进行跟踪,提高算法的抗遮挡能力。为了验证算法有效性,通过仿真实验对两种算法进行遮挡测试。