随着机器智能化水平的提高,作为获取外界信息重要途径的视觉原理越来越引起人们的重视。计算机视觉已经成为工程和科学领域研究的一项重要课题。运动目标跟踪作为计算机视觉领域的一个重要分支,在军事视觉制导、机器人视觉、智能监控、交通管制、医疗诊断及气象分析等众多领域都有广泛的应用。设计一个鲁棒的视觉跟踪算法在理论和实践中具有重要意义。但是由于外部环境的复杂多变性及目标自身状态的多样性,使得设计一个通用的鲁棒的跟踪算法成为一个极富挑战性的课题。基于检测的运动目标跟踪算法是当前最流行的跟踪算法之一。它利用二值分类器对一帧图像内容进行分类,并把检测到的前景区域作为新的目标区域。当分类器可在线更新时,算法能够不断学习新的特征以适应目标表观的变化。但随着学习过程中误差的积累,跟踪很容易发生漂移。本文在基于检测的跟踪算法的基础上,针对跟踪的漂移问题,引入了跟踪上下文的概念,提出了一种多分类器跟踪系统。系统同时检测目标及上下文物体,并使用上下文物体对目标物体位置进行预测。本文的主要工作如下:第一,提出了一个以近邻物体作为目标物体候选位置信息提供者的多分类器跟踪算法。算法首先分析了近邻物体与目标物体运动轨迹之间的关联关系,并建立了一个在线更新的运动轨迹关联模型。然后,将这种关联模型融合到基于检测的运动目标跟踪算法中,提出了一种同时利用近邻物体运动信息和目标物体表观信息预测目标物体位置的跟踪算法。最后,通过一个投票模型对可能的目标位置进行评价,并最终确定新的目标位置。第二,提出了一个以目标物体局部子区域作为判别依据的多区域联合跟踪算法。算法首先将目标物体表观重新表示为多个局部子区域的集合,并在分析了局部-整体关系的基础上建立了一个在线更新的混合高斯投票模型。然后,在基于检测的运动目标跟踪算法的基础上结合投票模型得到一个多区域联合跟踪算法。最后,算法同时使用了离线分类器和在线更新分类器,在投票模型的基础上实现了跟踪稳定性和自适应性的统一。