近年来,随着模式识别与人工智能的不断创新与发展,目标跟踪已经成为不可缺少的重要组成部分。然而,复杂的背景环境及目标自身视觉特性对目标跟踪造成极大的困扰。基于上述背景,本文针对遮挡、光照及姿态变化的情形,研究目标的有效跟踪,主要工作如下:首先,针对采集图像因天气、摄像机抖动等因素而引入噪声的问题,本文提出了一种图像预处理方法,为后续的特征提取及目标检测提供更为精确的图像信息;由于目标的自身视觉特性及遮挡、光照变化等复杂背景条件下,使得传统跟踪器及检测器难以实现对单目标的有效跟踪。针对于此现象,本文介绍了一种新颖的TLD(Tracking-Learning-Detection)跟踪算法,将跟踪器与检测器并行处理,提高算法的鲁棒性。其次,针对算法中的跟踪模块,本文提出了一种新的基于粒子滤波框架下的稀疏表示算法,提取目标原始像素作为特征,采用加速近邻梯度的计算方法求解最小误差,避免了复杂的计算;利用背景模板拟合遮挡及光照的变化,通过目标和背景模板的线性组合表示候选目标;加入遮挡检测,将遮挡的问题转化为目标和背景模板的系数权重,着重处理遮挡、光照变化情形下的实时目标检测。再次,针对算法中的检测模块,本文提出一种新的自适应尺度变化的相关联滤波检测算法,首先对目标区域平滑处理并提取HOG特征;然后根据目标的期望响应和目标HOG特征及滤波器的空间规则化权重系数,得到更为精确的初始滤波器;再实时提取目标新的特征自适应更新相关联滤波器;根据置信度变化率实现尺度的自适应变化,并反馈到空间规则化权重系数,使相关联滤波器更加精确。最后,针对整合模块,提出一种新的跟踪模块与检测模块结合的算法,完成整体算法设计。对比跟踪模块与检测模块的置信度得到最终的目标位置,并根据需求更新跟踪器与检测器相应模板系数。实验结果表明,本文算法在遮挡、光照变化及姿态变化情况下能够对目标实现有效地跟踪。