由于复杂场景中目标物体易受光照、遮挡影响且目标本身可能发生尺度、姿态等变化,红外图像中的目标识别跟踪面临很大的困难。本文的主要工作是利用实测试验数据,对目标检测识别特征进行分析,针对干扰环境中目标被遮挡时跟踪性能大幅下降的问题,提出了一种改进的抗遮挡跟踪算法,有效改善了红外运动目标跟踪算法的性能。本文首先对实测红外图像中的典型目标、干扰场景区域提取了包括灰度、形状、纹理等各类特征,并采用F检验值、主成分分析法等特征选择方法,通过目标分类性评价选择特征,挖掘出目标表征特征,可为目标检测识别算法的设计提供支撑。针对复杂遮挡条件下,目标区域提取不完善导致跟踪过程中的模板误差,提出了基于光流算法和超像素分割的目标区域提取方法与基于ViBe和帧差法的目标区域提取方法,提高了遮挡条件下目标区域的提取精度。针对传统KCF跟踪算法在遮挡条件下跟踪性能不佳的问题,提出了一种基于相关滤波的抗遮挡运动目标跟踪算法:首先采用光流算法和超像素分割充分提取目标区域,最大程度地减少背景点的干扰,提高目标特征提取的精度;针对单一特征的适应性不足的问题,建立多特征融合的特征表达模板;在对跟踪模板进行更新时,采用相关滤波模板与灰度直方图独立更新的方式并设置遮挡判断机制,在防止相关滤波模板被背景物污染的同时,缓解了因其停止更新造成的模板匹配度低的问题,减少了实际场景的复杂性和不确定性对目标跟踪性能的影响,提高了跟踪算法的精度。为了验证文中所提算法的泛化性能,本文对不同天气、不同场景下采集得到的实际红外数据进行了跟踪实验,样本数据中包含了运动目标遇到的多种常见干扰。在此数据集之上比较了本文抗遮挡算法与其他经典跟踪算法在不同干扰环境下的跟踪效果,实验表明,本文所提算法在跟踪准确率与跟踪成功率方面都有良好的性能表现,表现出了较好的泛化性能。