随着视频监控系统的迅速普及,计算机视觉正逐渐为大众所熟知,特别是计算机视觉领域的运动目标跟踪过技术,近年来受到越来越多的重视,已逐步应用于安防监控、人机交互、无人驾驶汽车导航等领域。传统的视觉目标跟踪算法跟踪准确性较差,稳定性较低,无法应对越来越复杂多变的跟踪目标变化,而基于超像素的目标跟踪算法在跟踪目标外观发生形变、遮挡等多种变化时,稳定地实现目标跟踪。本文基于超像素的目标跟踪算法进行了深入研究,基于当今的超像素分割算法、特征空间聚类和贝叶斯跟踪框架,提出了较为稳定并且能够应对部分目标外观变化的跟踪方法。本文的主要内容有：1.提出一种带有各向异性滤波和亮度分量约束的超像素分割算法。本文在目前经典的简单线性迭代聚类算法的基础上,引入了各向异性滤波和亮度分量约束。各向异性滤波可以使得图像语义边界更加尖锐,而语义区域更加平滑,使得在超像素生成过程中可以更好地贴合目标的语义边界,提高其准确性。亮度分量滤波可以使得,超像素生成过程中聚类中心的误差不扩散。2.提出了一种行星型的超像素特征池表观模型。本文在传统的超像素特征特征池模型的基础上,将其部件化,形成根部件和叶部件,并且定义了部件之间的概率关系,形成了一种行星型的超像素特征池表观模型。本文所提表观模型,可以用于应对目标发生形变、遮挡等多种目标外观变化和解构的情况,可以提高跟踪结果的正确性和稳定性。3.在贝叶斯框架的基础上,提出了与行星型模型相适应的跟踪方法。将贝叶斯跟踪框架在该表观模型下特例化,用置信度来刻画动态模型与观测模型的概率分布,并且采用粒子滤波器作为搜索方法,通过搜索叶部件来推定跟踪目标的状态,再辅以对应的在线更新策略,从而实现对目标状态的推定估计。