随着计算机特别是移动计算机技术的普及和发展,被动接受信息的方式已不能满足人们的需求了,应运而生的人机互动是优化利用计算机的一个重要问题。而诸如增强现实（Augmented Reality,AR）等人机交互手段越来越受到人们的关注。如在军事实战演练、医疗模拟手术、汽车维修助手、电影制作、交互式游戏、旅游向导、生活辅助等应用邻域都有涉及。这些应用中,需要将虚拟的事物或者信息准确地叠加在真实物体或者场景中,这就要求对真实物体的几何姿态（包括位移、缩放和三维旋转,简称为“位姿”）进行准确快速的跟踪,这是实现虚实无缝集成的重要环节,也是实现良好人机交互体验的关键问题。但是,系统的性能在实际应用中往往面临各种挑战。一方面,基于目标特征检测的方法较为耗时,将影响系统的整体实时性能;另一方面,运动目标特征检测和跟踪的准确性会受到真实场景条件的严重影响,如低像素或者低光照条件导致的模糊图像、运动目标抖动、大范围的遮挡、噪声、光照强烈变化、目标大角度翻转等等。本文针对这些问题进行了研究,具体包括如何加快目标特征检测与匹配的速度、如何提高帧间目标位姿跟踪的效率,以及在复杂条件下如何保证目标位姿结果的有效性等。本文的主要工作归纳如下:（1）提出了一种目标特征的二值描述子DCSD（Double Circle Structure Descriptor）,用于改善基于检测方法的特征匹配过程速度慢的问题。该方法采用特征点周围双层重叠区域形成的双环结构计算特征描述子。该描述子的长度为40比特,可以采用海明距离实现快速匹配。同时,该描述子对于旋转变换、模糊、光照变化和JPEG（Joint Photographic Experts Group）压缩均具有鲁棒性。另外,针对二值型特征描述子描述信息的能力弱于浮点型特征的问题,进一步提出了基于聚类和霍夫投票机制的优化匹配的方法HVM（Hough Voting Matching）,该方法将特征点的匹配问题转化成聚类的匹配问题,所有的聚类匹配被投射到霍夫空间中,并根据特征匹配密度进行投票筛选。HVM可以作为通用方法与其他特征描述子结合使用,有效减少匹配特征的离群比例,提升匹配精度。对比实验表明,DCSD-HVM算法能够在不丢失速度优势的情况下具有与经典的浮点型特征和二值型特征抗衡的准确性。（2）提出了构建基于帧间匹配的目标位姿跟踪优化模型IOT（Iterative Optimization Tracking）的方法,用于解决在逐帧跟踪过程中,由于特征匹配误差以及错误累积等原因造成目标位姿结果失效的问题。该方法首先分析了特征的有效性,采用结合邻域特征的迭代方法对特征的匹配位置进行调整,尽可能提升有效特征的比例;其次,建立基于贝叶斯理论的条件联合分布函数的判别模型,实现特征分类,进而剔除无效特征;最后,通过建立基于直方图的分值模型对跟踪结果的有效性进行评价,实现自适应的跟踪周期。该优化方法可以作为通用模型与传统的基于帧间匹配的位姿跟踪方法结合起来,提升系统的整体性能。实验结果表明,IOT模型对传统的基于帧间匹配的位姿跟踪方法在速度和准确性上具有综合优化效果。（3）提出了基于局部块跟踪学习的目标位姿估算方法PTPE（Part-based Tracking for Pose Estimation）,用于解决基于检测或跟踪方法的特征匹配在复杂情况下获取不到足够数量的匹配特征,导致无法初始化和推进整个跟踪过程的问题。该方法是一种介于全局模板匹配和局部特征匹配之间的折中模型。首先,利用基于反向角点投票和基于密度聚类的局部块选取策略提取目标的多个局部块,使得局部块能同时反映目标的局部显著特征和整体结构;接着,提出了多策略融合的逐帧跟踪结果有效性的判定方法,后续帧将根据判定结果对这些局部块进行并行的跟踪、学习或检测;最后,提出了结合局部块约束条件和在线学习的检测优化方法,提升局部块检测的效率。实验结果表明,PTPE方法能有效克服在真实场景中的复杂情况下因缺乏足够数量的匹配特征而导致目标位姿失效的问题。本文对以上三种方法进行实验比较,分析了各种方法的特点和适用场合,并讨论了各自方法的优缺点和可能改进的方向。