近些年来，随着计算机性能的快速发展和学者们不断的探索与发现，国际上对视觉跟踪技术研究也日益加深，使得视觉跟踪技术成为目前计算机领域中最热门的课题之一。均值漂移(Mean Shift)算法是国外最近几年才发展起来的，究其本质，实为一种无参数的核密度估计理论，由于其用于视觉跟踪方面有一些很好的优势而受到众多学者的关注，成为近几年在该领域研究的热点。本文研究了Mean Shift算法的理论基础，同时针对Mean Shift算法在视觉跟踪领域所存在的一些问题做了部分改进，并通过实验进行了验证。 本文首先针对Mean Shift算法中的核心步骤计算所得的候选模型中心位置的行列表示难免为非整数，与图像矩阵的表示方式不相匹配的问题，提出了模糊隶属度的概念，分别为邻近位置分配隶属度以择其最大者为最终替代点的方法。 针对Mean Shift算法没有模型更新能力的问题，本文在提取目标的基础上得到包含目标的实时目标模型，该目标模型不仅能根据目标的形态实时的改变，同时也能根据目标的尺寸而自适应的调整。 在此基础上，针对目标与背景的色彩过于相似的情况下Mean Shift算法的跟踪效果不够理想的问题，提出了目标模型矩阵的概念，该矩阵能有效的将模型中有效像素点与背景较好的区分，突出了目标的地位且降低了背景的干扰。 最后，本文针对Mean Shift算法的跟踪起始点对于跟踪的性能及结果至关重要，然而却没有一个较好的方法去确定跟踪起始点的问题，提出了卡尔曼(Kalman)滤波与Mean Shift算法相结合的思想。Kalman滤波器预测目标在当前帧的可能位置，Mean Shift算法在该点邻域内搜索，不仅加快了搜索速度也加大了跟踪的精确性。 将上述方法用于视觉跟踪，取得了很好的实验结果。