目标跟踪技术自20世纪以来一直都是相关领域的研究热点，它在多个领域都有非常重要的的应用价值。近年来尽管有了深入研究，但是限于在跟踪过程中出现的多种干扰因素的影响，将其用于现实生活更有一定的差距。这就导致了当前的目标跟踪技术还是不能满足军民领域的需求。因此，研究这个课题还是有很重大的意义的。本论文主要创新工作及研究成果如下：首先针对人运动跟踪提出了基于归一化自相关匹配和灰预测的人运动跟踪方法。该方法主要针对模板相关匹配算法存在跟踪实时性差和无法处理遮挡现象的缺点，提出了结合改进的GM(1,1)模型、遮挡判别准则和归一化自相关匹配的人运动跟踪方法。这种GM(1,1)模型结合以序列x1的第n个分量作为灰色微分模型的初始条件和基于二次插值的方法构造背景值，从而提高了GM(1,1)模型的预测精度。在不存在遮挡情况下，灰预测模型预测减小了模板匹配区域，增强了算法的实时性；在遮挡情况下，该方法以考虑了预测误差的预测值代替真实值，提高了人运动跟踪的准确性，增强了算法的鲁棒性。其次针对人脸的快速实时跟踪，提出了一种融合Camshift算法和灰指数律数据序列建模的新方法。该方法首先在离线计算肤色概率分布特征的基础上，结合灰模型EMG预测的方法来解决Camshift算法跟踪过程中大面积肤色干扰、手臂遮挡人脸以及头部旋转时人脸自身遮挡问题。利用EGM模型的预测信息缩小了Camshift算法搜索区间，同时对EGM模型的历史数据及时进行新陈代谢，有效解决预测数据与实测数据相比的误差累积效应。实验表明该方法减少了Camshift算法迭代次数，能对目标很快的进行跟踪，在有干扰的情况下也能很好的跟踪目标，算法相对比较稳定。然后针对解决跟踪过程中背景对模板的影响以及降低匹配计算量的问题，提出了一种基于动态模板和运动预测的目标跟踪新算法。该方法采用SSDA时，仅采用模板中的目标像素参与匹配，降低了背景干扰的风险；并不断地修正模板，保证了模板数据的正确性。应用实际曲线在区间上的面积作为背景值,以及利用模拟序列和一次累加生成算子序列的差值平方和最小来优化传统的GM(1,1)模型。以GM(1,1)模型来预测得到目标的初始搜索点，能够很大程度上缩小需要搜索的区域，因此能对目标进行很快的跟踪。当跟踪目标存在遮挡时，则以预测点代替真实值来获取目标位置，保证了运动的连续性和跟踪的鲁棒性。实验结果证明该方法是有效的。