随着经济社会的快速发展，人们对信息化、智能化的需求日益增加，传统人工监视的方法已经很难满足监控要求，因此智能监控技术应运而生。智能监控是在无人为管理的情况下，利用计算机视觉技术自动分析视频监控序列，自动识别特殊目标和行为，对可疑事件实现自动预警。智能监控技术在公共安全、军事、交通等领域有重要应用价值，受到国内外研究人员的广泛关注。目标跟踪是智能监控的核心技术，是实现智能监控的重要保障，具有重要的研究意义。目前，学术界对于运动目标跟踪技术做了大量的研究工作，提出了许多有用的跟踪算法。根据算法跟踪特征的不同和方法原理的不同，可将目标跟踪方法大致分为基于运动分析的跟踪方法、基于统计模型的跟踪方法、基于形状匹配的跟踪方法、基于轮廓模型的跟踪方法和基于区域的跟踪方法。基于区域的跟踪方法相对简单且运算量小，在目标跟踪领域得到了广泛应用。Mean Shift算法就是一种基于区域的目标跟踪算法。该算法由于具有实时、鲁棒、易实现等特点，备受研究人员关注并得到广泛应用。但是，基于Mean Shift的跟踪算法对目标快速运动或严重遮挡问题适应能力差，当此类问题出现时，其跟踪定位结果与实际目标偏差较大甚至跟踪失败。本文基于这类问题展开研究，主要做了如下工作：本文首先研究了运动目标检测方法和跟踪方法，分析了检测和跟踪算法的基本思想和大体流程，着重探究了Mean Shift算法等目标跟踪方法的工作原理，总结了智能监控中存在的环境变化、目标自身变化、目标被遮挡等影响目标跟踪算法运行效果的不利因素以及对鲁棒性和实时性的权衡。其次，分析了Mean Shift算法的缺陷，针对Mean Shift跟踪算法对目标快速运动和严重遮挡问题适应能力差的问题，提出了基于Mean Shift算法和轨迹预测的目标跟踪方法，并研究了对遮挡问题的处理策略。通过和传统Mean Shift算法对比分析实验结果，证明了新算法的优越性。再次，根据基于最小二乘法的曲线拟合理论，提出了基于曲线拟合的轨迹预测模型（FCTP）来提高轨迹预测的精度，并将FCTP模型和跟踪窗口自适应的Mean Shift算法相结合进行目标跟踪。实验证明，新算法不仅能有效应对目标尺度变化，而且克服了跟踪过程中目标运动速度过快和严重遮挡问题，确保了算法的跟踪精度。