在计算机视觉众多研究领域中,图像分割和运动目标在智能监控、机器人导航、智能交通、视频内容分析与理解等领域具有重要的研究意义与应用价值。本文主要针对基于Mean Shift算法的图像分割和目标跟踪进行了研究。在图像分割方面,提出了基于二次核函数的Mean Shift图像分割算法,并分析了不同核函数对图像分割结果的影响。在目标跟踪方面,通过引入局部二值模式(Local Binary Pattern,LBP),提出了改进的尺度方向自适应的Mean Shift跟踪算法,得到了更加准确的尺度方向估计。同时结合快速尺度不变特征(Speed Up Robust Feature,SURF)与目标颜色特征构建新的目标模型,进一步提高了算法的鲁棒性。主要工作包括以下几方面:(1)针对Mean Shift图像分割算法普遍存在的过分割现象,提出了一种基于二次核函数的Mean Shift图像分割算法。该算法利用核函数对采样点加权,通过Mean Shift向量迭代至灰度概率密度最大处,并将此灰度值赋予当前像素点,依次遍历每个像素点,通过区域合并对图像进行分割。我们在三幅标准图像和三幅医学图像上对算法进行了仿真实验,并与基于另外四种核函数的Mean Shift图像分割算法进行了比较分析。实验结果表明,本文算法能够得到更理想的分割结果。(2)针对不同跟踪场景下的目标尺度方向变化问题,提出了一种鲁棒的尺度方向自适应跟踪算法。该算法将LBP特征和权值矩图像引入到Mean Shift跟踪算法框架中。通过结合LBP特征与颜色特征来描述目标模型,增强了目标模型的鉴别能力。此外,我们提出了一个与LBP特征点和Bhattacharyya系数相关的修正函数,以自适应地调整目标区域大小。我们将改进的算法应用于不同真实跟踪场景下的视频序列,并与相关算法进行比较分析来评估该算法的性能。实验结果表明,本文所提算法在保证运算时效性的同时,能够得到更加准确的目标定位与尺度方向估计。(3)针对多数跟踪算法对光照变化的敏感性问题,提出了一种新的目标模型表述方法。该算法利用SURF特征对光照变化不敏感性的优点,对目标区域进行SURF特征提取,并将其与颜色特征结合,组成新的联合直方图来描述目标模型。我们将所提算法应用于四个视频序列中,并与相关算法进行了比较分析。结果表明,本文所提算法增强了对光照变化的鲁棒性。