近年来随着智能化计算机应用的普及,计算机为人类的生活带来了前所未有的便利,改变着人类的生活方式。但与此同时导致人们对计算机的依赖越来越强,除了已有功能,人们开始希望计算机能够看懂外界,让计算机拥有人类一样的视觉,即计算机视觉。视频图像序列中的运动目标跟踪是目前计算机视觉领域的重要研究方向,现有的目标跟踪技术已经广泛应用到实际生活中。对于研究者来说,如何能够更加准确的跟踪到目标是研究跟踪技术的关键。本文以常用的跟踪技术为基础,重点研究了相似背景和目标运动状态发生突变这两种情况下,如何跟踪目标并使跟踪更有效。具体研究内容如下：(1)研究了图像处理的理论知识和运动目标跟踪技术的研究背景、国内外发展动态。分析了几种不同的跟踪方法,主要研究Meanshift算法。对该算法的计算原理、递推过程、以及在目标跟踪领域的应用进行研究。(2)研究了处于静态背景下的Camshift算法,即连续自适应均值漂移。在传统Camshift算法的基础上,针对视频中目标运动遇到的实际情况,修改算法的匹配参数,将HSV图像彩色模型中的S分量,即饱和度,应用到匹配过程中,修改运动目标的模板信息。使算法能够在运动目标出现在相似背景条件下时,顺利分离目标与背景,持续跟踪目标。改进的匹配信息计算方法也适合其他饱和度不同的视频使用。通过实验验证,当小球作为运动目标经过颜色相似的背景时,改进之后的Camshift算法能及时跟踪到目标。该段实验视频是本人亲自拍摄。在本文第三章详细描述了改进算法的计算过程与实验分析。(3)利用卡尔曼滤波的预测性,将其与Camshift算法结合。研究了卡尔曼滤波的递推过程及如何将Camshift算法计算出来的运动信息融合到卡尔曼预测中。针对运动目标跟踪中的突变问题对算法进行改进。当目标在运动过程中发生突变时,改进卡尔曼滤波过程中的一步预测值,根据观测值将状态转移矩阵的计算方法进行修改,使算法在发生突变的情况下增大系统采样频率,避免丢失目标。本文第四章具体研究该内容,并通过视频跟踪实验对比验证了本文算法的有效性和实用性。本文针对运动目标跟踪过程中遇到的相似背景和目标运动状态发生突变两种情况,对算法进行改进。实验结果验证了改进的算法能够有效检测并跟踪到目标,提高了目标跟踪的准确性。