视频目标跟踪是计算机视觉的一个核心问题，其在视频监控、人机交互、机器人视觉导航等领域有着广泛的应用。一个普适、通用的跟踪算法必须面对诸如复杂背景、光照、相似物体干扰、遮挡等困难。为此，研究者们已经提出了很多跟踪算法，但一个鲁棒通用的跟踪算法仍然是一个富有挑战性的课题。其中，遮挡问题成为限制跟踪算法鲁棒性的关键。为此，本文主要围绕目标跟踪中的遮挡问题进行了研究与探讨，主要工作如下：1、针对目标跟踪中的遮挡问题，在粒子滤波的框架下，提出了两种改进的方法。第一种方法针对目标被部分遮挡或短时全遮挡时，单线索特征无法有效跟踪的问题，首先提出了一种基于多线索自适应融合的抗遮挡目标跟踪算法，当遮挡发生时，适时切换融合策略，进入遮挡跟踪模式，并在粒子滤波框架内，嵌入mean-shift算法，克服了粒子退化现象。实验结果表明，该算法具有较强的抗遮挡能力，能够跟踪复杂背景下的目标；第二种方法针对目标被严重遮挡或较长时间全遮挡，同时由于遮挡过程的不确定性，遮挡发生后，目标可能继续前进、后退或者原地静止，对第一种方法又进行了进一步的优化，使对遮挡过程的建模更加精确，当遮挡发生时，同时改变目标的运动模型，使粒子只做随机游走的布朗运动。仿真结果表明，该算法鲁棒性与遮挡处理兼顾，更具有一般意义，能够跟踪复杂变化场景中的目标。2、针对目标跟踪中的遮挡问题，在Mean-shift跟踪框架下，提出了两种改进的方法。第一种方法针对目标被部分遮挡或短时全遮挡时，单线索特征跟踪鲁棒性不高、容易跟丢的问题，提出了一种融合多线索特征的Mean-shift抗遮挡目标跟踪算法，当遮挡发生时，通过Kalman滤波估计目标的状态，在目标被遮挡的情况下进行估计预测；提出一种遮挡因子作为目标遮挡的判据，严重遮挡时，采用目标状态的外推来预测目标的位置。实验结果表明该算法具有更强的抗干扰性，即使在目标完全遮挡的情况下仍能正确跟踪目标；第二种方法针对目标被严重遮挡或较长时间全遮挡，同时由于目标遮挡后运动的随机性，基于Kalman预测外推的方法可能失效，而粒子滤波算法对遮挡目标的处理更合理，因此，融合两种算法的优点，遮挡发生时切换到粒子滤波算法。实验结果表明，该算法鲁棒性好、实时性高，能有效处理跟踪过程中的遮挡难题。同时如何比较、评价各种算法，目前还没有一个统一的仿真测试平台。为此，给出了一个基于Matlab GUI的抗遮挡目标跟踪系统仿真平台，在该平台下，对同一序列进行了比较试验，给出了仿真实例。