视频跟踪主要包含目标表示和目标定位两部分。比较常用的目标表示方法是颜色核直方图，它采用核密度估计（Kernel Density Estimate）方法估计目标的颜色概率密度分布函数。以颜色核直方图表示目标，我们可以选用不同的目标定位方法，比较常用的有均值漂移（Mean Shift，MS）和粒子滤波（Particle Filter，PF）。然而MS方法无法跟踪快速运动的、尺寸变化的、有遮挡的目标；PF方法需要大量粒子，跟踪速度慢。将两者结合可以弥补双方的缺陷。但是，当目标尺度进行非连续变化时，由于粒子退化现象，两者结合的跟踪方法也无法顺利跟踪。　　 本文提出一种嵌入尺度可变均值漂移的粒子滤波方法，将尺度可变均值漂移算法引入到粒子的扩散过程中，引导粒子扩散到后验密度函数的高密度区，以减少所需的粒子数。同时，利用对数极坐标图像的尺度不变性，在粒子扩散过程中指导粒子同时进行位置、尺度空间漂移，从而实现对非连续尺度变化目标的跟踪。单纯使用颜色信息表示目标，存在着严重缺陷。特别地，当目标表观变化较为激烈时，颜色信息的可靠性下降，这些跟踪器将会跟踪失败。而融合多种信息表示目标，可以弥补这些缺陷。对此，本文介绍了另一个跟踪器，它使用颜色和边界信息表示目标，用梯度下降法搜索得分函数的极值，得分函数由颜色得分部分和边界得分部分组成。接着，通过多组实验分析影响该跟踪器性能的因素。发现在跟踪过程中使用固定的权重，是使得该跟踪器在某些情况下跟踪失败的主要原因。为了解决这个问题，本文提出一些改进策略，包括边界得分权重自适应更新机制和目标帧间形变约束。改进后的跟踪器，能够根据颜色信息的可靠性，自动调节边界得分权重，使得分函数的极值刚好位于目标所在区域。同时，帧间形变约束也进一步避免了异常跟踪结果的出现，提高了跟踪器的鲁棒性。最后的实验结果，充分证明了这种改进的有效性、合理性。