随着第二次互联网技术革命的浪潮席卷而来,信息科学邻域专家学者们的研究热情也不断攀升。计算机视觉技术方面的研究特别是其核心的目标跟踪技术取得了长足的进步。目标跟踪技术在智能监控、人机交互、虚拟现实、医学图像处理上具有十分广泛的应用前景,同时在军事以及民用、商业方面也有着不可替代的作用。近几十年来,国内外相关领域的专家学者不断创新,提出了很多经典的目标跟踪算法,但由于众多因素的制约,例如光照变化、非刚性形变、部分或完全遮挡,以及复杂背景等,目标跟踪在实际应用中依然有很多困难。故此,设计一种鲁棒的实时跟踪算法仍然是一项非常具有挑战性的任务。本文在继承前人研究成果的基础上,采用当前各个交叉学科的最新技术,对视频中运动目标跟踪算法进行研究和实验,本文主要包括以下几个方面的研究内容:1、基于主动特征选择的在线权重多实例目标跟踪基于检测的自适应运动目标跟踪方法已被广泛地运用到计算机视觉中,这类方法将跟踪问题看作一个分类任务并使用在线学习技术来更新目标模型。为解决自适应运动目标跟踪中常见的“漂移”现象,提出一种基于主动特征选择(AFS)的在线权重多实例运动目标跟踪算法,该方法是在原有多实例学习的框架下引入一种新的加权包概率模型—加权和模型,然后使用主动特征选取法来提取更高效的特征,以降低建立分类器模型的不确定性,并通过优化Fisher信息判别准则进行在线boosting特征选取。2、基于MFFT的时空结构上下文目标跟踪算法随着计算机视觉技术应用场景的丰富,人们对跟踪算法性能要求也更高。因此,提出一种简单而又高效的基于MFFT的时空上下文目标跟踪算法,通过贝叶斯滤波框架对所跟踪目标对象及其局部上下文区域的时空关系进行建模,得到目标对象及其领域范围内低维特征的统计相关性。然后综合这一时空关系和生物视觉系统上的关注度特性来评估新的一帧图像中目标出现位置的置信图,置信度最大的位置就是我们得到的新的一帧图像中的目标对象定位点。同时,利用改进的FFT(快速傅里叶变换)来实现时空模型的学习和目标检测的数学运算,使跟踪算法更加快速高效。