现代医学、航空航天、自然监控和军事等应用领域迫切需要高效的计算机方法在自然环境中实现目标搜索与跟踪。由于自然场景的复杂性,这些任务通常具有高复杂度并且对响应速度要求苛刻。相对于实验室中人工场景的简单性、规则性,现实中的自然场景要显得复杂得多。在自然场景条件下,场景的背景很少是静态恒定的,背景往往是变化不定的,而且变化的规律难以确定和描述,这显然增加了场景的复杂性。在某些复杂的情形下,同一自然场景中可能同时存在若干种结构、纹理、灰度分布、边缘等特征均十分相似的目标,目标的识别变得十分困难。另外,自然场景中光照可能会随着时间流逝或者天气变化而不断改变,目标本身也可能会发生平移、旋转等随机性结构调整,这都使得目标的搜索与追踪变得困难重重。因而,研究在复杂的场景条件下稳定而又鲁棒的目标搜索与跟踪框架无论在理论还是实践方面都具有非常重要的意义。一方面,针对尺度变化引起的场景复杂性,本文研究在复杂场景条件下的多尺度特征分析以及基于多尺度特征的目标追踪。在不同的尺度条件下,同一类特征往往呈现出不同的表现形式。当目标相对于摄像机运动时,尺度很可能随时间而改变。因此,基于自主尺度选择的特征分析就显得特别重要。与此同时,当目标相对于摄像机运动时,目标大小往往随时间而改变,基于自主尺度选择的目标追踪更能有效的抵抗追踪过程的环境及其噪声干扰。本文分析综合了若干特征分析与目标追踪的算法,并且对若干已有算法作出了理论改进及其实验对比,取得了良好的效果。另一方面,本文利用贝叶斯理论提出背景与目标的并行分析框架,降低了自然场景条件下目标追踪的复杂性。另外,本文回顾总结了特征融合理论,作为多尺度特征分析与综合的有效补充,增加了完备性。