运动目标跟踪是计算机视觉和机器人领域一个最为基本的研究课题，它在众多应用领域起着至关重要的作用，如：智能监控，智能交通，人机交互，运动视频分析，生物医疗等。　　 目标跟踪的主要任务是在连续的时间序列中，利用时空信息，完成对系统所感兴趣目标的定位和标记，从而获得这些目标的运动轨迹以及相关运动信息。然而，随着跟踪环境变得较为复杂（如目标间存在着较为严重的遮挡和相互影响，高密度高动态环境等），如何完成鲁棒得多目标跟踪任务成为一个极具挑战性的课题。　　 为了有效解决在复杂环境下，高密度高动态场景中的多目标跟踪问题，本文分别在以下几个方面做了不同的创新性尝试：　　 首先，本文尝试将目标检测同跟踪相互结合，提出了一种基于概率检测粒子滤波器（PD-PF）的多目标跟踪算法。相比较于传统跟踪方法，该算法具有如下特性：（1）将基于概率的检测结果和目标的动态模型进行有效结合，共同构造出概率密度采样函数。检测信息同目标运动信息在该采样函数中进行动态竞争，该竞争恰好可以模拟目标间的遮挡和相互影响关系。因此，该算法法可以在目标间存在遮挡和相互影响时完成鲁棒得跟踪。（2）该算法法建立了目标的先验概率检测模型，该模型可以将不鲁棒的检测对跟踪结果的影响降到最低。（3）算法对每个目标使用相互独立的（PD-PF），因此它可以得到较为精确的后验概率估计结果。　　 其次，本文尝试将学习同跟踪相互结合，提出了一种基于在线监督学习的多目标跟踪方法。该方法将学习和跟踪融合到一个统一框架中，使其可以相互协助，互相补充。该方法不但可以解决复杂环境中的跟踪问题，而且整个框架完全自动和在线，不需要任何人为干预。随后，本文分别针对基于视觉（摄像机）的跟踪系统和基于激光传感器的跟踪系统设计出不同的在线学习和跟踪算法。　　 再次，本文尝试将场景的语义知识同跟踪相互结合，提出了一种基于在线场景语义学习的多目标跟踪方法。该方法的主要贡献体现在：（1）将跟踪与场景语义学习融入到一个统一框架中，使它们可以相互补充。（2）将非监督在线学习算法成功应用到轨迹分析中来，使这个任务可以在线进行。（3）成功得将该系统应用到高密度高动态真实场景中（东京地铁站），它可以同时鲁棒得跟踪高达150个目标。　　 最后，本文尝试将不同类型传感器（摄像机和激光传感器）进行有效融合，来解决复杂场景中的多目标跟踪问题。在这个过程中，本文的主要贡献体现在：（1）提出了一种贝叶斯融合方法，该方法将多个传感器有效得融入到贝叶斯框架中，使来自不同传感器的有用信息得以充分发挥，整个系统可以在较为复杂的动态场景中完成鲁棒的跟踪任务。（2）提出了一种基于在线监督学习的融合方法，该方法将视觉和激光，学习和跟踪统一到一个框架中，使其可以相互补充。整个系统不但可以在复杂场景中完成鲁棒的跟踪任务，而且让不同类型传感器发挥出了各自优势，在跟踪精度和系统的时间开销上取得了一个合适的平衡。