视频图像序列中的运动目标跟踪是计算机视觉研究领域的一个分支，在视频监视、智能交通、机器人视觉导航以及医疗诊断等方面有着广泛的应用前景。尽管人们对运动目标跟踪进行了广泛的研究，并提出了很多有效的跟踪方法，但开发出一套鲁棒性很强的跟踪算法仍有许多困难。 本文在总结前人研究工作基础之上，主要对运动目标跟踪算法进行了研究。重点对运动目标速度过快，跟踪过程中出现遮挡等问题进行了深入研究。 主要研究和创新工作如下： （1）研究了Mean Shift理论和粒子滤波理论在运动目标跟踪领域的应用，给出了它们实现目标跟踪的详细框架和具体实现步骤，并讨论各个步骤在跟踪过程中所表示的具体意义，总结出了Mean Shift理论和粒子滤波理论应用于目标跟踪的各自优越性。 （2）针对Mean Shift本身的理论缺陷，不能对快速运动目标或遭受严重遮挡的目标实现实时跟踪问题。我们提出了将Mean Shift算法和卡尔曼滤波器相结合，并辅以必要的模板更新策略给予解决的办法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置，然后再利用Mean Shift得到跟踪位置。在目标出现严重遮挡情况时，利用卡尔曼残差来关闭和打开卡尔曼滤波器，此时，目标位置的线性预测替代了卡尔曼滤波器的作用。实验证明，本改进算法可以实现对快速运动目标的跟踪，对遭受到严重遮挡的运动目标也有较好的鲁棒性。 （3）研究了相关跟踪理论，通过对模板匹配方法计算量大、容易出现目标漂移出参考模板等问题的分析，提出了基于粒子滤波理论的相关跟踪算法。以模板为目标表示方式，粒子的权值与相关值成比例，目标状态的后验概率由粒子加权表示。纳入粒子滤波跟踪框架的相关方法既继承了相关跟踪直观实用的特点，又体现了粒子滤波“多峰”跟踪的优点，大大提高了跟踪的鲁棒性。 本论文的研究主要集中在单目标跟踪应用中，但由于图像运动目标跟踪在计算机视觉领域有着广泛的应用，因此，本文的研究成果对于计算机视觉的其他相关应用同样具有重要意义。