视觉追踪是计算机视觉研究的热点问题之一，它与模式识别、机器学习、图像处理和自动控制等众多领域息息相关。视觉追踪主要包括两个部分，目标检测和目标跟踪。目标检测主要用来提取图像中的前景目标，而目标追踪是用来确定目标在视频序列每一帧中的位置，是一种通过对跟踪目标物体的特征进行学习，建立目标的基本模型，然后在视频图像序列中获取目标的位置信息，进而实现对目标的跟踪技术。而在处理动态图像时，视觉追踪会碰到一些典型的问题，比如:部分或者全部遮挡、表面形变、背景杂乱、短暂的离开视域、视角转换、光照明暗变化、目标运动加速等。针对这些问题，许多研究者提出了相应的解决方法。在这众多的解决方法中，提高目标跟踪算法的实时性及准确性，将成为视觉追踪中目标追踪系统研究的重点和难点。　　本文对目标跟踪算法在视觉追踪里的应用进行了深入研究。针对目标追踪过程中的背景杂乱、目标遮挡及算法的实时性等情况，设计了一种自学习的二值化规范梯度模型，加快了检测速度，降低计算复杂度，解决了复杂背景下目标丢失的问题。在此基础上，结合基于马尔科夫链的抽样信息跟踪算法，提高了追踪算法的实时性。论文的主要创新点如下:　　1)提出了一种改进的目标跟踪方法，该方法利用图像的二值化及规范梯度模型信息选择跟踪目标，然后利用P-N Learning算法对目标进行学习辅助跟踪，实现追踪算法的实时跟踪。实验结果表明该方法能够有效地提高算法的实时性，并且解决了目标长时间被遮挡后容易丢失的问题。　　2)结合了抽样信息的目标跟踪算法，运用贝叶斯概率、马尔科夫链理论知识，对新的目标运动模型、运动状态及观测状态等追踪器的重要组成部分，进行有效的抽样，进而达到精确追踪的效果。　　本文首先对经典的目标追踪算法进行了理论研究及仿真实验，并得到了实验分析结果;其次主要研究了目标遮挡及追踪算法的实时性问题，结合快速匹配目标模型的二值化规范梯度信息及P-N Learning算法进行了理论分析和实验仿真，实验结果表明该算法的实时性大大提高;最后结合马尔科夫链的抽样信息，在复杂背景下对运动目标进行追踪，同样进行了理论分析和仿真实验，并与经典的算法进行了对比分析。实验结果表明本文方法解决了复杂背景下目标易丢失的情况，并且追踪算法的实时性也有很大提高。