目标跟踪在科学和工程中具有重要的研究价值。由于摄像机和目标之间的相对运动以及应用场景的复杂多变,采集的视频图像中一般具有光照变化明显、图像中杂物或噪声显著、目标被部分遮挡或完全遮挡、目标姿态变化大等特点。针对上述问题,本文结合均值漂移、粒子滤波、特征点检测以及视觉注意机制等知识,对动态场景下的目标跟踪方法展开深入研究。本文的主要内容和贡献如下:　　 ■分析了常规均值漂移(Mean-shift)跟踪算法与带宽自适应均值漂移跟踪算法的优点及不足,讨论了跟踪目标初始化过程中的目标检测方法,提出使用基于游程链的Blob全局搜索算法对丢失的目标进行全局搜索。　　 ■提出了一种改进后的带宽自适应均值漂移算法,并给出了实现步骤,进行了实验验证。改进算法继承了自适应带宽均值漂移算法的优点,能够解决带宽选择问题和带宽更新问题,实现了跟踪目标初始化与目标丢失后的全局检测。　　 ■针对常规算法对光照变化、局部遮挡和临时性完全遮挡问题不具备鲁棒性,易陷入局部最优状态的问题,本文以均值漂移算法为基本框架,使用数据融合策略判断目标状态,提出了融合粒子滤波的ABMSPF(AdaptiveBandwidthMean-shiftMethodAssistedbyParticleFilter,即融合粒子滤波的自适应带宽均值漂移)跟踪方法;同时提出一种用于快速搜索目标的局部搜索策略。对ABMSPF方法、改进后的带宽自适应均值漂移方法和粒子滤波跟踪方法进行实验对比研究,从复杂场景下的跟踪稳定性、目标定位精度、计算复杂度等几个方面进行分析比较。实验表明ABMSPF方法在光照变化、部分遮挡、短时间内的完全遮挡、相似色彩干扰等复杂场景中均能准确地跟踪目标,并且跟踪轨迹平滑。　　 ■针对常用的Harris,SIFT等局部特征检测方法,从算法原理和实验数据两个方面进行分析,比较了在旋转、尺度、光照、视角等参数变化时,上述算法的鲁棒性、稳定性和计算复杂度。　　 ■使用特征点匹配的方法检测目标时,特征点数量大、运算时间长。针对这一问题,考虑将视觉注意机制应用到图像的特征提取与特征匹配过程中,提出了一种基于显著图的SIFT特征检测与匹配方法,并探讨了该方法在目标跟踪中的应用。