近些年来，智能视频监控系统在生活中日益突显出其重要性，它也是计算机视觉领域中一个重要的研究方向，其主要工作是从监控的视频流中检测、识别和跟踪感兴趣的运动目标，进而对其进行行为分析和语义理解。运动目标跟踪是智能视频监控系统中的关键技术，能否有效地跟踪感兴趣目标是衡量监控系统优劣的一个重要指标，因而它具有重要的研究价值。均值漂移算法是一种基于核函数的无参数估计算法，它不需要先验知识，收敛速度快，可实现实时跟踪，因而近年来吸引了许多研究人员的兴趣。然而，均值漂移还存在一系列问题需要解决，才能使之真正投入实际应用。为此，本文以均值漂移技术为中心展开一系列目标跟踪算法的研究，以便进一步改善跟踪的性能。本文的研究和创新工作如下所示：（1）深入研究多特征融合的均值漂移（Mean Shift）目标跟踪算法，融合局部三值模式（LTP）纹理特征的Mean Shift算法使用纹理和颜色信息作为目标的表示形式，对光照变化具有一定的鲁棒性，但是由于LTP算法使用固定阈值计算纹理特征，因而易受噪声的影响。因此，本文提出使用最小平方中值（LMedS）算法估算自适应阈值的LTP算法，并使用阶距思想来估计目标窗宽。实验证明了该算法的有效性。（2）提出了一种改进的背景加权Mean Shift算法。目标框中的背景信息会干扰目标的准确定位，背景加权算法能够有效地抑制背景主分量信息，但是恒定的或阈值判决变化的背景直方图不能有效地表示实时变化的背景，因而本文采用实时更新的背景直方图，并使用卡尔曼（Kalman）滤波算法进行目标预定位。实验结果表明该算法更能降低目标框中背景的特征，增强目标特征的凸特性，并能实现目标的快速准确定位。（3）Mean Shift对快速运动目标和非高斯噪声的环境下的跟踪有局限性，粒子滤波算法可以用在任意状态空间模型上，但是需要大量的样本数量才能实现有效跟踪。本文使用MeanShift算法使每个粒子迭代到局部最大值处，因而可以降低粒子数量，同时当目标严重遮挡时，关闭Mean Shift算法，只采用粒子滤波算法进行跟踪，遮挡消失后，开启Mean Shift算法进行联合跟踪。并且进一步对目标窗宽进行估计，并采用目标模板跟踪更新的策略。实验结果表明了该算法的有效性。本章最后对全文进行总结，并对该课题进一步的研究工作进行展望，为以后的研究工作指明了方向。