在计算机视觉的应用中,视频目标的识别和跟踪是一项重要的研究课题,在诸如人机交互、视频监控、智能建筑、司机助手和医学图像处理等领域已经得到了广泛的应用。经过国内外众多学者的大量研究,视频跟踪技术已经有了多方向的发展,也出现了很多优秀的跟踪算法。但是,这些算法往往基于一些特定的环境,如静态背景、室内、无遮挡等,而要在视频序列中实现稳定鲁棒的跟踪,并智能准确地分析目标运动隐含的语义信息,最终实现一个通用的目标自动检测跟踪系统仍然是极具挑战的课题。本文首先论述了课题研究的背景、意义以及现状,并对视频目标跟踪的基本技术进行了综述,包括常用的跟踪算法、跟踪流程、难点问题和技术要求等,然后回顾了Kalman滤波理论,从贝叶斯滤波的原理出发阐述了Kalman滤波的基本算法和性质,并从发展的角度讨论了扩展卡尔曼滤波(EKF)和Unscented卡尔曼滤波(UKF)。本文讨论了运动目标检测和分割的理论,对运动目标检测的几种算法进行了对比,并详细地探讨了三帧差法。最后提出了一种半自动的目标分割方法,实验仿真结果表明论文提出的算法可以有效地分割出运动目标并提取其特征。本文还讨论了经典的均值偏移算法,从目标模型、候选模型、相似性度量、目标定位等方面阐述了均值偏移算法的基本原理,分析了该算法的优缺点,并进行了实验仿真。本文针对均值偏移(Mean shift)算法的不足,提出了一种融合改进的Mean shift和自适应卡尔曼滤波的视频运动目标跟踪算法。对于待跟踪的运动目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的卡尔曼滤波器估计每一帧的起始迭代位置,再利用改进的Mean shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以动态调节Kalman滤波器的参数,使改进后的Mean shift算法具有对目标物体后继状态进行预测估计的能力,从而在目标发生短时间的遮挡后依然可以对目标进行准确跟踪。实验结果表明,本算法相对于均值偏移算法有较好的改进,能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。