视频流的运动物体跟踪算法一直是机器视觉中研究的重点内容之一。它涉及到模式识别、数据融合、图像处理、生物识别、数理统计等诸多领域内的知识。在现实生活中，视频跟踪技术也渗透到很多行业中，具有很广的应用前景及重要的研究价值。本文对视频运动跟踪的常见的跟踪算法进行了详细的介绍，包括基于非密度估计的Meanshift算法、Kalman滤波算法、粒子滤波算法等。全文的主要以介绍每个算法为中心，并对它们之间的相互进行融合后的算法进行介绍与改进。具体内容安排如下：1．Meanshift算法：首先对非密度估计的几种方法进行介绍，然后简明的介绍了Meanshift算法流程，最后对视频中目标物体变化的现象，提出了一个改变函数带宽的方法来适应物体大小的变化。2．Kalman滤波算法：首先介绍了贝叶斯基本原理，然后介绍了在非线性情况下，扩展卡尔曼滤波和无迹卡尔曼的应用原理，最后对Kalman滤波算法和Meanshift算法融合后的算法进行了描述。3．粒子滤波算法：首先介绍了蒙特卡洛方法的原理，然后简述了粒子滤波的基本原理及算法步骤，提到了进行粒子采样过程中，对遇到的粒子退化现象进行改进的方法，最后提出了粒子滤波和Meanshift算法进行融合的算法。本文在对上述跟踪算法的数学模型进行阐述的同时，也提出了一种粒子数目、噪声方差和目标尺度能够进行自适应的变化，并且可以自适应选取目标模板的算法。实验证明，在视频目标跟踪时能取得较好的跟踪效果。