视频图像序列中运动目标的跟踪具有非常重要的实用价值，它是机器视觉领域内一个非常重要的研究方向。本文针对视频图像序列中运动目标跟踪过程中运动目标外观变化这一核心问题展开深入的研究，提出了全新的多支持向量机联合鲁棒跟踪算法。算法基于二元分类思想，通过有机组合在不同时间段在线更新的线性支持向量机获得一个更加稳定的组合分类器，完成运动目标跟踪任务。 前人的算法是本文研究的理论基础和思想源泉，本文首先针对运动目标跟踪领域内前人的重要算法加以分析研究，深入探讨运动目标跟踪算法研究领域内所面临的主要问题，并借此提出本文对这些问题的看法。 随后本文细致介绍了文中所提出的两大核心算法：基于单个支持向量机的目标跟踪算法和多支持向量机联合鲁棒跟踪算法。基于单个支持向量机的目标跟踪算法是多支持向量机联合鲁棒跟踪算法的设计原型，是后者的一个简化版本。基于单个支持向量机的目标跟踪算法通过在线获取样本、在线更新支持向量机的分界面有效地将运动目标与背景区域区分开来，并能适应目标特征的不断变化。更为重要的是，通过利用支持向量机这一有效的分类工具中特有的支持向量，算法可以不断获取并传递运动目标在运动过程中的一些“关键帧”，并利用它们确保跟踪算法的稳定性。 多支持向量机联合鲁棒跟踪算法利用组合学习算法有机的将不同时间段内更新的不同的线性支持向量机分类器有机的组合起来。算法的提出解决了线性支持向量机无法解决的非线性分类的问题，使得组合分类器获得了更好的分类效果，同时也能更加有效的利用不同时间段的历史信息，剔除无用的历史信息。 通过大量的实验数据表明，本文提出的算法在很多具有挑战性的视频片段上表现优于以往的经典算法，具有一定的实用价值。