近年来,运动目标跟踪这一课题在计算机视觉方向一直占有一席之地,但是该技术在许多复杂场景例如目标发生形变、旋转或者被遮挡等多种因素共同作用的情况下,现有的方法不能够很好地应对,会发生漂移或者丢失目标的情况,最终导致跟踪失败,所以,当目标在各种因素干扰下,对目标进行准确并且实时的跟踪一直是计算机视觉领域热衷求解的问题。本文通过对目前已有的一些主流的目标跟踪算法进行了仔细阅读,针对运动目标跟踪过程中常遇到的问题进行了一系列改进,达到更好的效果并且进行了验证。针对彩色的视频序列,基于相关滤波的跟踪方法(KCF)没有把目标的颜色以及尺度信息考虑入内,并且缺少遮挡处理方案,当目标在遮挡、形变、尺度变换等因素的影响下,会出现跟踪误差较大、精度较低的情况,对此做了几点改进:首先对目标的HSV空间颜色信息和方向梯度直方图(HOG)特征进行多特征的融合,以应对目标的形变或者旋转等问题。HSV颜色特征描述的是全局特征,而HOG特征描述的是目标的局部特征,通过对两者的结合,可以对目标进行更完整的描述;其次采用一种自适应尺度估计的方法对目标的尺度进行估计,减少因目标尺度变换而可能引入的干扰信息,来达到精准识别与描述目标的目的,提高算法的鲁棒性;最后对目标的丢失进行处理,使用在线随机蕨分类器进行重检测,选择置信度最高的区域块作为目标所在的新的位置,以此来应对目标丢失的问题。选取了公开测试视频集中具有一定挑战性的视频序列,经过测试后,测试结果表明,本文算法在目标发生尺度变换、形态变化、遮挡、旋转等复杂情况下均具有较强的鲁棒性。