目前,智能体目标的定位跟踪一般采用GPS、差分GPS、UWB等定位方式,但是这些方式往往存在成本高,需要现场辅助设备支持,受周边环境影响较多等约束,在实际应用中受到一定限制。而基于视觉算法的大场景下智能体目标的定位跟踪则具有低成本、高信息量、强鲁棒性等优点,可以作为以上定位方式的一个有益补充,但在实际应用中存在目标遮挡、尺度变换、运动模糊等问题,对跟踪结果有较大的影响。本文针对以上问题,对视觉大场景下智能体目标的跟踪算法进行了研究及改进,主要工作内容包括:传统目标跟踪算法研究、相关滤波类算法的研究及改进、基于动态的多目标跟踪算法研究、智能体目标跟踪仿真实验等。在传统目标跟踪算法研究方面,本文首先对Mean Shift、Camshift和Kalman三种算法进行了对比实验,实验结果表明,以上三种原始算法均不能解决目标跟踪过程中出现的遮挡问题。为此本文对跟踪精度较高的Camshift算法进行了改进,将其与Kalman滤波算法融合以解决上述问题。然后在特定数据集上对融合Kalman后的Camshift算法和原始的Mean Shift、Camshift算法进行了对比实验,验证了改进后的Camshift算法的有效性。在相关滤波类算法研究方面,本文针对目标跟踪过程中出现的尺度变换、遮挡等问题,在数据集OTB100上对KCF、DSST和FDSST三种相关滤波类算法进行了对比实验。实验结果表明,KCF算法不能解决跟踪过程中目标的尺度变换和遮挡问题,DSST和FDSST算法虽然可以解决目标的尺度变换问题,但同样不能解决遮挡问题。本文对跟踪精度较高的FDSST算法进行了改进,将其与Kalman滤波算法融合,从而解决目标跟踪过程中出现的遮挡等问题;然后通过评估在线跟踪基准（OTB）中四个不同属性下的数据集对改进后的FDSST算法进行了验证,实验结果表明,相较于原FDSST算法,改进后的FDSST算法在四种属性下的精确度和成功率均有不同程度的提升。在多目标跟踪算法研究方面,本文将混合高斯模型、Kalman滤波算法和匈牙利算法结合以实现基于动态的多目标跟踪。首先使用混合高斯模型分离图像序列中的前景和背景,然后使用形态学操作和blob分析得到运动的目标;之后使用Kalman滤波算法预测下一帧中每个运动目标的位置,将每个目标的位置信息和轨迹信息保存为度量矩阵;通过度量矩阵和匈牙利算法判断上一帧中的目标和当前帧中每个目标的关联度,通过关联度解决多目标跟踪过程中新目标的出现和旧目标的消失等问题。最后通过多目标跟踪实验验证了基于动态的多目标跟踪算法的有效性。最后,为了验证改进后的FDSST算法和基于动态的多目标跟踪算法对视觉大场景下智能体目标跟踪的有效性,使用两种算法对Coppelia Sim仿真平台上的智能体进行跟踪。仿真结果表明:当智能体目标发生长时间大面积遮挡时,改进后的FDSST算法可以较好地解决智能体目标跟踪过程中出现的遮挡问题,并且其精确度和成功率分别提高了117.7%和129.6%。通过对动态多目标跟踪算法实验分析,验证了其对多智能体目标跟踪的有效性。