自从上世纪70年代“图像匹配”的概念被提出以来,其在相关领域的重要性就一直呈现与日俱增的趋势。而作为计算机视觉的另外一个重要研究方向,目标跟踪也越来越突显出其不可取代的重要性。本文的前部分,我们简要介绍了现有主流算法的分类,接下来详细叙述了几种常见的经典算法的原理与步骤,如SIFT算法、SURF算法、Kalman滤波器法、粒子滤波法和Mean Shift算法等,并对这些算法的适用环境以及算法的效率等方面做了分析和对比。接下来,我们详细介绍了一种融合算法,即基于加权主分量分析的尺度不变特征算法(WPCA-SIFT)。虽然经典SIFT算法具有匹配效果好的优点,但是存在一个致命的缺陷,也就是计算量大的问题,在此我们引入加权PCA来进一步优化经典SIFT算法,即对目标特征向量降维,从而很大程度上减少了计算量。仿真实验显示,由于加权PCA处理后的特征更多的依赖于相对稳定的特征点,误匹配也相应有所减少。另外,本文还将卡尔曼预测引入到改进的Camshift算法中,并提出了一种新的CK融合算法。我们知道,虽然Camshift算法相对于经典Mean Shift算法来说有了一定的改进,即当运动目标的形态大小发生改变时,Camshift算法可自适应调整目标跟踪窗口继续进行跟踪。但是Camshift算法并没有从根本上克服目标发生遮挡时的误跟踪问题。故可采用Kalman预测来保证跟踪的准确性以及算法的鲁棒性。仿真实验证明,引入Kalman预测优化的Camshift算法确实在遮挡情况效果良好,但是也存在一些缺陷。在这里,我们针对被跟踪的目标被其他运动速度较快的干扰物体遮挡时跟踪困难的问题,在原融合算法中增加了一个判断模块。即当判断出现这一情况时,则用前一帧的目标位置代替当前帧中目标的位置,直到目标遮挡消失。但其前提是这个过程中遮挡目标的物体运动不能过快,或者准确地说是跟踪目标与遮挡物体的相对速度不能过大,否则改进的CK算法仍然不能准确跟踪。