无论在现代防御、海上和空中交通管制系统,或是在民用安全监控、人机交互智能系统,目标跟踪技术都是不可缺少的重要技术。尤其是随着现代航海、航空、航天事业的蓬勃发展,以及现代战争的信息化、网络化发展,目标跟踪技术的研究越来越受到各国的高度重视,现已成为一个十分活跃的研究领域。目标跟踪的任务是通过算法计算获得目标的位置,进而形成目标的运动轨迹(跟踪片),并且在整个视频序列中识别待跟踪目标的身份。由于跟踪场景中的目标总会受到背景干扰、自身形变、遮挡及光照变化的影响,目标跟踪面临着许多亟待解决的问题。本文主要研究了两种目标跟踪算法:(1)基于无类别的跟踪(Category Free Tracking,CFT),这类方法不需要事先已知目标的所属类别,也不需要离线训练特定目标的检测器。它通过在视频序列的第一帧图像进行人工选取待跟踪的目标区域,利用目标的外观模型进行跟踪;或者利用场景的背景信息获得待跟踪目标,并通过一些滤波算法对目标进行预测跟踪。(2)基于关联的跟踪(Association Based Tracking,ABT),它在跟踪之前需要已知待跟踪目标的类别,然后利用该类别目标检测器得到视频序列的检测响应,并将这些检测响应在视频序列间进行最优化关联,进而达到跟踪的目的。针对基于无类别的跟踪,本文首先对三种经典目标跟踪算法进行了研究,然后实现了一种尺度、方向自适应的跟踪算法。该适应性跟踪算法在原始均值漂移跟踪算法框架下,结合候选目标区域反向投影图的矩特征,完成了对目标尺度、以及方向的适应性估计;并与两种经典的目标跟踪算法(原始的均值漂移跟踪算法、EM-shift跟踪算法)做了实验对比与分析。实验结果表明,该算法继承了原始均值漂移跟踪算法简单、高效等优良特性,并能有效跟踪尺度和方向发生变化的目标。针对基于关联的跟踪,为精确计算跟踪片间的外观相似度,以提高目标跟踪的准确性,本文提出建立判别性外观模型的方法。在检测得到每一帧目标、得到可靠跟踪片的基础上,通过提取训练样本,并融合多个特征对样本进行鲁棒地表达,利用Adaboost算法在线训练分类器,形成目标的判别性外观模型;再利用该模型对可靠的跟踪片进行多次迭代关联,形成目标完整的轨迹。由仿真实验结果可见,本算法具有很强的鲁棒性,可以在复杂场景下完成多目标跟踪。