复杂环境下的目标稳健跟踪是计算机视觉领域的重要研究课题。目标跟踪的关键在于能否正确地选择描述目标的特征，采用多维特征描述目标将增强特征模型的辨别能力，提高目标跟踪的稳定性。　　 本文从特征融合的方式入手，研究了两种巧妙的特征融合方式——直方图与协方差矩阵，并分别提出了相应的目标匹配及跟踪算法。　　 Mean shift(均值漂移)算法是一种非参数密度估计算法，可以实现快速的局部最优匹配，被广泛地应用在目标实时跟踪领域。然而，传统的Mean shift算法仍存在一些不足之处，例如：易受到背景中相似直方图分布的干扰；颜色(亮度)直方图中丢失了目标空间信息；当目标被部分遮挡时定位不准。　　 协方差矩阵可以在维数很低的条件下融合多维特征，并获得全局最优匹配。但是，全局匹配会受到更多的相似目标以及背景的干扰。另外，协方差矩阵不属于欧几里德空间，需要重新考虑相似度测量、模板更新等问题。　　 融合多维特征的目标匹配具有较强的稳定性，可以克服部分遮挡的干扰。然而，当目标遭遇严重遮挡时正确地提取特征十分困难。因此，需要提出专门的策略去处理严重遮挡问题。　　 本文围绕以上的问题展开了研究，主要贡献和创新点体现在：　　 (1)提出了基于IOCG(Intensity，Orientation Codes and Geometry)多维直方图的Mean shift跟踪新算法，弥补了传统Mean shift跟踪模型缺乏辨别力、定位不准的不足。　　 (2)采用多kernel的Mean shift初始化策略，并提出利用对数似然比分割目标的方法，筛选多kernel的初始化位置，兼顾了算法的稳定性与实时性。　　 (3)研究了协方差矩阵匹配目标的方法与性能，并将随机采样的理论应用于协方差跟踪，使协方差矩阵的计算时间与目标大小无关。　　 (4)从理论上研究了拓扑学、微分流形、李群、李代数等数学知识及其在计算机视觉领域的应用，实现了基于李代数的协方差矩阵更新。　　 (5)为了削弱协方差跟踪中相似目标的干扰，提出了基于模糊理论的遗忘因子加权搜索策略，对窗口中不同位置，按其到窗口中心的距离赋予不同的相似度权值。　　 (6)阐述了轨迹预测的理论依据，利用滤波残差判断目标是否被严重遮挡，从而调整Kalman滤波器的工作状态，当遮挡消失后重新捕获目标。