随着视觉技术的不断发展,运动目标实时视觉跟踪研究得到了广泛关注。Tracking-Learning-Detection(TLD)算法在长时间跟踪方面有着显著优势,当目标出现短暂消失时,TLD算法经过学习模块修正后能够再次跟踪目标。但是在面对光照变化、部分遮挡、背景杂乱和平面内外旋转等跟踪难点时,TLD算法容易产生漂移导致跟踪失败,其跟踪性能还有待提高。本文围绕传统TLD算法及其改进进行深入研究,主要工作如下:首先,研究目标表观模型和相似性度量标准。合理的表观模型能够实现高效率目标跟踪,研究了颜色直方图、方向梯度直方图、局部二进制模式和图像金字塔特征的基本原理,并阐述了图像处理中目标相似性度量标准及适用场景。其次,研究传统TLD算法的目标跟踪原理及流程。深入研究了金字塔光流法跟踪模块、多级联分类器检测模块、P-N学习模块和综合模块,跟踪模块与检测模块的并行工作机制,实现了单目标的长时间稳定跟踪。然后,提出一种基于人工鱼群粒子滤波的TLD改进算法。使用人工鱼群粒子滤波跟踪器代替金字塔光流跟踪器,将颜色直方图特征和方向梯度直方图特征进行融合,建立目标表观模型,引入图像金字塔多尺度思想进行尺度匹配,提高目标跟踪的稳健性。通过粒子滤波的滤波过程预测目标区域,将TLD算法检测模块的全局扫描改进为局部扫描,剔除大量非目标区域,提高检测效率。基于Visual Tracking Benchmark视频跟踪数据集进行实验,实验结果表明:基于人工鱼群粒子滤波的TLD改进算法具有良好的跟踪性能,与传统TLD算法相比,其总体成功率和精准度分别提高了19.04%和28.00%,平均跟踪速度可达33.87FPS。最后,研究动态自主视觉跟踪系统。通过张正友相机标定法获得相机内参矩阵,利用人工鱼群粒子滤波TLD改进算法进行目标跟踪,获得目标中心位置的像素坐标,借助内参矩阵计算相机的俯仰角与偏航角转动度数,生成2路脉冲宽度调制信号驱动舵机转动,实现相机自主跟踪。利用树莓派3B和相机二自由度云台搭建平台进行实验,该系统的横、纵坐标误差均值分别为8.160px和9.519px,标准差分别为5.137px和6.343px,处理速度可以达到10.25FPS。