在科技发展和社会需求的双重驱动下，视频跟踪的应用越来越广泛，在安全监控、军事和行为理解等领域都有着大量的应用需求。目前虽已提出了大量的目标跟踪算法，但由于光照、背景、目标的变化和遮挡等复杂因素的影响，而且也没有一种自适应目标变化的外观表示模型，算法的实用性仍需进一步的研究，研究一种长时间有效的视频跟踪算法仍是亟待解决的问题。视频目标跟踪虽然存在许多的难题，但由于其潜在的应用价值，有着重要的研究意义。本课题主要针对目标尺度变化和遮挡问题进行研究，提出一种基于时空约束的改进Mean Shift目标跟踪算法，利用图像序列之间的时间和空间拓扑结构约束提高跟踪的性能。利用扩展卡尔曼滤波对目标进行预测估计得到目标的预测位置，作为MeanShift的迭代起点。文中利用前向-后向跟踪的偏差对目标的尺度变化进行补偿；利用图像空间结构的约束提高检测结果，从而提高目标在杂乱、相似背景下跟踪的稳定性。课题研究的具体内容摘要如下：（1）文中利用目标运动连续性的特点，将Mean Shift跟踪算法和扩展卡尔曼滤波结合，以扩展卡尔曼滤波的预测结果作为Mean Shift的迭代起点，在跟踪的同时考虑目标的运动趋势信息，提高Mean Shift算法在遮挡等情况下的鲁棒性。利用前向-后向跟踪的偏移差在一定程度上调整目标框的大小，自适应目标尺度变化；同时对目标中心进行修正提高精度。（2）针对视频跟踪的复杂性，文中将跟踪与检测结合，提出一种基于时空约束的检测跟踪算法。在背景干扰、目标遮挡严重的情况下，利用自组织映射算法进行目标检测，采取包含最近邻和自组织映射分类的级联分类机制确定最可能包含目标的图像片，充分利用图像的时间和结构信息提高算法的精度，使得算法在发生漂移或是丢失目标时，能重新检测定位目标得到目标的完整运动轨迹信息。