随着科学技术的长足发展,视频获取的成本已日益降低,图像处理技术的应用也越来越广泛。得益于大量图像分析与处理算法的出现,采用计算机视觉来分析和理解外部环境已逐步成为现实。作为计算机视觉的重要环节,目标跟踪技术主要研究目标在图像序列中随时间变化的位置轨迹,获取其运动参数和位置信息,为图像序列的高级语义理解提供了重要方法和可靠途径。国内外研究机构已针对该方向开展了大量研究,并取得了诸多成果。但在实际应用中,由于成像环境的复杂性和目标运动的不确定性,该技术仍然存在一些亟待解决的问题。论文首先就目标跟踪的难点问题展开了深入探讨,分析了复杂场景中运动目标及其背景的成像特征;然后结合目标表示的一般方法,研究了遮挡场景和快速运动场景中目标的描述方法和特征的选择标准;最后通过选取适宜的跟踪特征,分别探索了两种复杂场景下运动目标的视觉跟踪算法。针对遮挡目标的跟踪问题,在对比多种局部特征算子之后,论文选择使用鲁棒性较好的SURF算子来进行目标检测,结合欧氏距离聚类的方法来查找目标在当前帧中的潜在位置。原始的SURF算法一般针对整幅图像进行的全局搜索,运算量较大,且容易产生误匹配现象。因此,为了提高目标跟踪的速度与精度,本文研究了一种基于Kalman滤波的改进算法,通过轨迹预测建立相邻帧间的位置对应关系,缩小了特征点提取与匹配的范围,减小了复杂背景的干扰和特征提取的运算复杂度,仿真结果表明该算法对遮挡场景具有较好的鲁棒性。针对快速运动目标的实时跟踪问题,论文采用图像灰度信息Haar-like特征来描述目标。Haar-like算子提取简单、获取容易,但数量庞大,一般需要结合一定的训练手段或降维方法来提高速度。本文采用压缩跟踪算法,利用压缩感知理论对多尺度的高维特征进行压缩提取,在保留几乎所有原有特征信息的同时,大幅提高了跟踪的速度,保证了跟踪的实时性。但是,该方法提出的时间尚短,也存在着一些不足,容易产生跟踪漂移问题。为提高跟踪的鲁棒性,论文研究了一种基于模板匹配的压缩跟踪算法,利用灰度直方图拟合结果作为判定机制,采用检测手段对跟踪目标轨迹进行漂移修正。仿真结果证明在不影响跟踪速度的同时,改进算法能有效克服跟踪丢失情形。论文最后进一步总结了全文的研究工作,分析了研究中一些考虑欠周全的地方,为今后的研究工作指明了方向。