运动目标跟踪是计算机视觉领域中最热门的课题之一，在战场侦察、智能视频监控、交通控制、人机交互等领域具有广阔的应用前景，引起了国内外学者和工业界的广泛重视，因而具有重要的研究价值。　　 当前学术界和工业界在目标跟踪方面开展了大量工作，取得了一些成果，然而运动目标跟踪仍然是模式识别领域的一个难点问题，目标物体角度、姿态、远近距离变化、快速运动、以及遮挡等给鲁棒在线跟踪算法提出了苛刻的要求，单一算法很难有效处理所有问题。针对此问题，本文基于多方法集成思想，研究鲁棒在线跟踪的有效方法，主要工作和成果如下：　　 1，学习了几种典型目标跟踪算法，包括：Mean Shift跟踪算法、基于on—lineboosting的跟踪算法、基于粒子群优化的跟踪算法和基于模板匹配的跟踪算法。通过实验验证和分析了几种算法的优点和不足。为本文方法的设计奠定了基础。　　 2，研究并设计了一个集成on—line Boosting、基于归一化互相关的模板匹配法和粒子群优化算法的自适应目标跟踪算法。其中，on—line Boosting是基本的跟踪算法；基于归一化互相关的模板匹配有效地避免了on—line Boosting过多的错误更新；而基于粒子群优化算法的跟踪策略提高了系统对快速运动、外观变化的适应能力，同时也为模板的更新提供了保障。三种算法形成了有效互补，在稳定性和可塑性之间达到了一种平衡。在不同视频测试序列上的实验结果表明，本文算法有效地缓解了自适应性和“漂移”之间的矛盾，能够实时地完成复杂的跟踪任务。　　 3，设计并实现了基于视觉跟踪的机器人定位。针对机器人作业的特定环境，利用目标检测提取出前景，融合本文提出的跟踪算法和团块跟踪方法实现跟踪。根据射影变换矩阵实现坐标系的转换，完成定位任务。