移动目标跟踪技术作为高级视频图像处理的前提,涉及到视频理解、分析及行为预测等众多高级应用任务,多年以来一直是计算机视觉领域的热门问题之一。但是,在实际应用中充斥着很多不确定因素,比如:目标本身的尺度变化、形变、加速运动,摄像头的分辨率低、抖动、视野范围的局限,复杂环境的光线变化、相似背景干扰等等,这些变化的不可预知性为目标跟踪技术的发展带来了挑战。本文在分析和研究相关原理的基础上,为了提高目标跟踪算法的精确度和鲁棒性,作出的主要工作如下:1)针对TLD算法实时性和鲁棒性差的问题,提出一种改进的TLD目标跟踪算法,该算法通过核相关滤波器和帧差法改进跟踪器和检测器的性能。首先,采用KCF算法改进跟踪器,改善了光流法跟踪器在遇到光线变化时容易跟踪失败的问题。其次,将帧差法前景检测引入到检测器中,并采取由粗到精的检测策略缓解检测模块滑动窗口数量庞大而导致的计算量巨大的问题。最后,检测结果用于更新跟踪模块滤波器模型以保证跟踪系统的高效运行。实验结果表明:改进算法的成功率和精度相比于TLD算法提高了20.4%和17.3%,跟踪速度为53.9帧/秒,在应对光照变化、尺度变化和遮挡等场景时表现出良好的鲁棒性和实时性。2)针对相关滤波跟踪方法在目标脱离视野后重新回到视野不易跟踪的问题,提出一种基于级联神经网络和核相关滤波器的目标跟踪算法。在核相关滤波器跟踪算法的基础上,引入多任务级联卷积神经网络检测算法纠正跟踪器的错误,更新滤波器模型。此外,为了保证算法的跟踪速度,仅在跟踪器跟踪失败或跟踪精度低于阈值的情况下才启动检测器。通过实验可知,该算法的成功率和精确度分别为81.6%和82.7%,解决了在目标被严重遮挡的情况下,相关滤波跟踪算法跟踪失败的问题,并保证了跟踪目标的实时性和精度。3)针对多目标同时跟踪的需要,提出一种指配目标ID并行处理多目标的实时跟踪算法。采用跟踪-学习-检测的框架,在目标模型中为每个目标分配固定的ID,将单目标扩展到多个目标。每个目标的正样本相互独立,而负样本统一。跟踪器和检测器并行工作,得到各个目标的跟踪结果和检测结果后,由学习器对结果进行综合并更新目标模型,使算法能够实现对多个目标的跟踪。实验结果表明,该算法的成功率为80.1%,跟踪性能良好。