在目标跟踪过程中,因相似物的干扰、光照变化、跟踪目标被遮挡等背景的复杂性及目标自身姿态变化、运动轨迹不规律等因素的限制,给目标视觉跟踪带来了很多挑战。本文对动态目标跟踪过程中因复杂场景产生的问题,在深入研究视觉目标跟踪原理的基础上,利用多特征融合优越性的同时对目标模型进行训练,以实现在TLD（Tracking-Learning-Detection）目标跟踪算法框架上的改进,并进行目标跟踪的仿真实验验证改进效果,本文主要研究内容以及工作如下:（1）对目标多特征进行处理。研究目标特征显著的特征——颜色特征、纹理特征、边缘特征的特点,基于Gabor滤波器对特征进行提取,基于Sigmod函数的多特征融合策略进行特征融合,融合前进行特征可靠性判断,权重偏向表征能力强的特征以实现特征权重的自适应。设置实验检测每个特征以及多特征融合算法对目标跟踪的成功率,测试多特征融合算法的优越性,实验结果表明,融合了多特征的目标跟踪算法对目标的识别率更高。（2）对复杂背景进行处理。利用高斯模型对复杂背景建模以更适应实际环境,其基本步骤包括:混合高斯模型的建立、前景目标的提取、模型参数的更新、复杂背景模型学习。最后设置有光照变化、尺度变化、相似背景、遮挡的实验检验跟踪系统对复杂背景的适应情况,实验结果显示,在混合高斯背景模型的处理下,实验帧没有出现目标丢失的情况,能适应上述复杂场景,具有适应性高、准确度高,鲁棒性强的特点。（3）对目标模型进行训练。首先建立包括动态模型和观测模型的自适应目标模型,其次以迭代的方式调整跟踪窗口的尺度,用平均滤波残差和Bhattacharyya相关系数判断是否需要更新模板。在模板更新时,评估算法生成特征相关性,若相关性越高,那么模板更新的速度越快,基本实现了自适应调整目标模型,很大程度上减轻了设定常数阈值带来的局限性。实验结果显示,本文跟踪算法的成功率以及跟踪成功的跟踪框的大小调整都比原TLD算法理想的多。（4）在原TLD算法的基础上进行优化。首先介绍原TLD算法的整体框架及其基本原理。针对原TLD算法因计算量大导致跟踪实时性差、有相似背景出现或者目标被部分遮挡时容易发生漂移现象,使得跟踪算法实时性差、跟踪精度低的问题,本文对原TLD算法进行改进,首先将SIFT特征匹配算法与原TLD算法跟踪模块中的光流法相结合,根据目标及周围环境的不同状态自适应地选择相应算法;其次引入粒子滤波进行优化,实时预测目标状态并缩小检测范围以提高算法的准确性和跟踪速度。最后设置三组实验,分别从定性和定量两方面分析本文跟踪算法在光照变化、尺度变化、遮挡、角度变化、有相似背景、微小变化、快速移动等情况下的跟踪性能,实验结果表明,目标跟踪的跟踪结果图、跟踪速度和中心距离、偏移率、重叠率以及跟踪成功率都可以满足实时精确跟踪的跟踪要求。