近年来,随着计算机视觉技术的迅猛发展以及实际应用中需求的不断增加,运动目标跟踪技术在安全监控、机器人导航、智能交通等领域得到了广泛的应用,因而成为了国内外研究的热点问题。然后,场景的复杂性、特征的选取、目标的遮挡等技术问题仍需解决,因此本课题具有重要的理论和实际价值。本文主要针对视频图像序列中的运动目标的跟踪算法进行研究,首先研究了基于均值漂移算法的目标跟踪算法,并针对其存在的问题做出了改进,提高了跟踪的稳定性,其次研究了尺度不变化特征变换(SIFT)特征点匹配,并针对SIFT应用于视频图像序列跟踪中存在的问题进行了改进。论文的主要工作如下：研究了均值漂移算法,该算法运用于目标跟踪时,对目标的旋转变形以及部分遮挡具有较好的适应性,计算简单、实时性好,但是不能自适应地调节跟踪窗口的大小。针对该算法在受到严重干扰情况下容易跟踪失败的问题,利用卡尔曼滤波预测与均值漂移算法相结合,通过对跟踪过程中干扰的检测,判断目标受干扰的程度,用不同的权重将卡尔曼滤波预测的结果与均值漂移算法得到的结果线性组合,有效地利用了目标的运动信息,提高了跟踪的可靠性。当目标有尺度上的变化时,基于均值漂移的跟踪窗口不能自适应地调节大小,因而无法准确地跟踪目标。研究了连续自适应均值漂移算法(Camshift),该算法能够自适应地调节跟踪窗口的大小,但是受到相同颜色物体的干扰时,会误认为是目标。本文利用目标的长轴与短轴之比判断是否受到了干扰,在受到干扰的情况下,利用均值漂移算法进行固定窗口大小的跟踪,提高了Camshift算法的稳定性。研究了SIFT特征点匹配,针对匹配过程中产生的错误匹配点,本文采用了最大最小距离聚类方法通过对匹配的特征点形成的斜率进行分类,较好地消除了错误的匹配点。SIFT特征匹配应用于运动目标跟踪时,当经过很多帧以后目标可能发生了较大的变化,用固定模板匹配容易导致跟踪的失败,本文采用均值漂移算法实时地提取当前的匹配区域来更新模板,在遇到有相近颜色物体遮挡发生时利用卡尔曼预测结合均值漂移算法来实现对模板的更新。有形变发生的情况下,采用Camshift算法对模板实时地进行更新,使得SIFT很好地应用于目标跟踪。最后,由于SIFT特征匹配的实时性较差,本文利用卡尔曼滤波预测目标出现的位置,在匹配时,仅在预测的位置周围选取合适大小的矩形区域与目标模板进行特征点的匹配,实验结果表明,实时性得到了改进。