对象跟踪是计算机视觉领域中的核心问题之一，而对象特征提取算法的优劣直接影响跟踪的适应性、健壮性及实时性，因此本文重点研究对象特征提取中应用最广泛的特征提取算法之一—局部纹理特征，并研究其在对象跟踪中的应用。主要工作包括以下三个方面：第一，基于局部二值模式（LBP）及其若干变种算法，提出一种新的局部纹理特征提取算法——完全局部三值模式（Completed Local Ternary Patterns，CLTP），对均匀模式的CLTP直方图进行离散傅里叶变换，以构建其直方图傅里叶特征（CLTP_HF），增强其对旋转的鲁棒性。大量对比实验证明：与若干优秀的LBP变种算法相比，CLTP在旋转及光照变化条件下具有更强的纹理分类能力；构建均匀模式的CLTP直方图傅里叶特征能够有效提高CLTP的纹理分类能力。第二，基于传统Mean Shift算法及其若干改进算法，提出基于颜色与CLTP融合直方图的Mean Shift跟踪算法。新算法的主要优势包括：①提出基于颜色与CLTP融合直方图的目标对象模型，使目标对象模型能够反映更多的对象结构信息；②利用修正的背景赋权机制在线更新目标对象模型，能降低背景对目标对象定位的干扰；③利用改进的背景更新机制对背景模型进行在线更新，以反映实际环境中不断变化的背景。大量公开视频库上的对比实验证明：相比于其它MeanShift改进算法，本算法能够有效跟踪复杂背景、光照变化、遮挡等情况下的目标对象。第三，将CLTP纹理特征应用到实时压缩跟踪算法。与基于LBP特征、Haar特征的压缩跟踪算法的对比实验表明，与基于LBP特征的压缩跟踪算法相比，基于CLTP特征的压缩跟踪算法具有显著优势。此外，与基于Haar特征的压缩跟踪算法相比，基于CLTP特征的压缩跟踪算法对光照、遮挡等具有更强的鲁棒性。