目标跟踪技术是机器视觉领域的主流,智能化时代正在飞快的向我们靠近,包括人机智能交互、辅助医疗诊断、安全监控和国防军事等领域不断凸显其应用价值,成为继图像处理及模式识别领域又一研究热点。因此,目标跟踪技术无论在理论研究还是实际应用上,都具有非常重要的意义。现今大多数目标跟踪算法都很难应用在实际应用场景中,主要原因是实际场景中目标和背景都是不确定变化的,若此时目标特征模型不能很好地区分目标和背景,就会导致跟踪失败。复杂背景下跟踪快速运动目标,主要解决的是复杂场景下目标受相似背景颜色干扰问题,目标做强机动时跟踪丢失等问题。本文针对上述问题进行探索和研究,在详细分析传统Camshift算法在复杂背景下跟踪运动目标失败的基础上,将目标中提取的多特征信息进行自适应融合表示目标模型,同时引入目标运动状态估计,改进Camshift跟踪算法。首先,在特征融合方面,主要研究目前典型的颜色特征、边缘梯度方向特征,分析各特征的特点和优劣。根据目标与背景颜色区分度对颜色特征和边缘梯度方向特征进行自适应加权融合形成目标联合特征模型,解决了目标易受相似背景颜色干扰问题,为后续的跟踪算法做前期准备。其次,针对传统Camshift算法对目标做快速运动或强机动时跟踪丢失的问题,提出了一种适用于做快速运动或强机动的基于改进卡尔曼滤波的Camshift快速运动目标跟踪算法。该算法根据目标前后时刻量测目标方向之间的角度差,判断目标运动与机动性强弱,依次修正运动目标加速度预测值和目标状态预测值,最终优化目标的状态估计,将目标位置状态的估计值作为下一帧起始搜索窗口中心位置,解决传统Camshift算法因目标运动过快,帧间目标位移过大而导致目标丢失的问题。仿真结果表明,在目标做快速运动和强机动时该方法具有较高的跟踪精度。最后,为防止目标因旋转导致当前边缘梯度方向特征不能继续描述目标在像素域空间信息的边缘特性,给出根据边缘梯度方向特征匹配结果中欧式距离判断是否需要动态更新目标新特征模型,提出基于多特征融合与目标运动估计的Camshift目标跟踪算法,最后经过实验仿真对比分析,该算法对复杂背景下快速机动目标的跟踪具有很高的鲁棒性和实时性。