视频内目标跟踪作为计算机视觉领域中的基本问题之一，已经广泛地应用在人们生活的各个领域。影响视频目标跟踪的因素有很多，比如光照、遮挡或者运动状态的变化等，因此开发一种高效的算法进行鲁棒跟踪是一项艰难且有挑战性的工作。本文主要对基于跟踪-学习-判定模型的跟踪算法进行了研究。2012年由张开华等人提出的Compressive Tracking(CT)算法，是一种将跟踪、学习、判定融为一体的跟踪算法，可以达到实时、准确的跟踪效果。在此基础上2013年朱秋平等优化提出的多特征CT算法，弥补了其在灰度与纹理特征选取方面不均衡的不足，使跟踪结果更具鲁棒性。这两种方法的最成功之处是简单高效，但二者同时也存在一些缺点：①跟踪窗口固定，当被跟踪目标发生尺寸变化时，容易导致特征的概率分布陷入目标局部或者掺杂过多背景信息，导致跟踪误差累积；②对跟踪结果不加正确性判定直接作为后续跟踪的依据，当目标存在遮挡时，一旦偏离，会导致跟踪误差越来越大。本文针对多特征CT算法存在的因目标尺寸变化和因为遮挡造成跟丢现象等问题，进行了一系列有针对性的研究。论文的研究内容及取得成果如下：①提出了一种跟踪窗口自适应目标尺寸变化的改进多特征CT算法。新方法在分析现有多特征CT算法原理的基础上，通过修改多尺度候选目标集合、相应的改变特征生成及表示方式，根据特征的高斯概率分布采用贝叶斯方法在多尺度候选目标集合中确定跟踪目标，使得当目标尺寸变化时，跟踪窗口可以有效地自适应缩放，获得更好地跟踪效果。②提出了一种解决现有多特征CT算法存在因遮挡引起目标跟丢现象的改进算法。在新方法中，经过分析现有算法因遮挡造成跟丢现象的原因，制定了遮挡判别机制，并引入了Kalman滤波预测机制。进而，将目标分为四个子区域，对各个子区域分别进行多特征CT跟踪及特征分布参数更新，每帧跟踪过程产生两个结果：a）由贝叶斯方法判别度最高的子区域反算出的目标位置；b）Kalman滤波预测出的目标位置。然后，根据该子区域置信度判定其是否被遮挡，如果遮挡，选择a作为跟踪结果；否则选择b。此外，为减少遮挡信息对特征分布的影响，只对未发生遮挡的子区域进行特征概率分布的更新。新方法可有效减少遮挡对于跟踪结果的不利影响。③对上述提出的两种算法进行了实验分析和效果验证。通过与现有CT算法以及多特征CT算法在多个视频序列上进行的实验对比和结果分析，从时间效率和跟踪效果两方面，验证了两种改进方法的可用性和有效性。