目标跟踪作为计算机视觉和数字图象处理领域的研究热点,已取得了很多优秀的成果。但是,目标的大尺度变化、目标动作变化、图像模糊等仍然属于目标跟踪的挑战性问题。影响目标跟踪性能的关键问题之一,即特征提取与表示方法。现有的绝大多数目标跟踪算法都基于纹理特征或颜色特征。本文重点研究超像素特征——计算机视觉领域目前最热门的特征提取算法之一,并改进优化了基于超像素特征的目标跟踪方法。第一,提出了均匀SLIC(simple linear iterative clustering)超像素特征提取算法和均匀随机SLIC超像素特征提取算法。这两种方法用以改进超像素在选择聚类中心时的方法,减少冗余聚类中心,提高聚类中心的利用率和超像素的提取速率,使用均匀随机的SLIC超像素提取算法,可以根据需求调整搜索窗口大小,来达到提高超像素的边界附着率。大量对比实验证明,改进后的SLIC超像素可以有效的提高算法的效率,减少内存消耗,提高边界附着率。第二,提出采用可变窗口跟踪方法,结合改进的SLIC超像素特征,提高模糊图像出现时的跟踪效果。将尺度信息加入目标的观察模型,使用可变窗口来提取特征。结合改进的SLIC超像素特征,提高模糊图像出现时的跟踪效果。大量实验证明:①改进后的超像素跟踪算法可以有效的抵御尺度变化、大幅度形变。②引入改进的SLIC超像素特征后,算法可以有效的跟踪模糊图像。第三,实验验证了复杂场景中,目标大尺度变化、动作变化及图像模糊等情况的跟踪效果。本算法在结合了改进的SLIC超像素特征提取算法后,可以更有效的分割目标和背景,同时引入可变窗口跟踪方法后,对尺度变化、模糊图像跟踪的鲁棒性也更强。