作为智能交通系统的一项关键技术，运动汽车跟踪已成为计算机视觉领域一项充满活力的研究课题。如何充分发挥运动汽车跟踪技术的优势，尽可能提高车辆跟踪性能，逐渐成为近年来的研究热点。然而，该研究方向仍处于较为初级的阶段，在实际应用中存在诸多困难。首先，当运动汽车跟踪被用在交通监控及交通管理领域时，要求对视频序列图像进行实时处理，但限于现有计算机软件硬件水平，要求实时跟踪算法的计算复杂度不能太高；其次，交通场景具有多样性和复杂性，处理算法需要兼顾多种因素，现有算法过于简单，在实际应用场景中不能达到理想效果。因此，如何实现复杂背景条件下运动汽车的稳健跟踪就成为一项更具现实意义和挑战性的研究课题。针对复杂背景下运动汽车的跟踪问题，对当前目标跟踪算法进行了深入研究，详细论述了基于粒子滤波的跟踪、基于Snake模型的跟踪和基于特征的跟踪等重要算法。在分析这些算法对复杂背景处理优缺点的基础上，对其对复杂背景的处理性能进行了合理有效的改进。主要研究工作如下：1、综合分析了标准粒子滤波和几何主动轮廓模型，针对粒子滤波算法粒子更新过程严格依赖于参数的选取，且不能处理曲线拓扑结构的变化的缺点，提出基于几何主动轮廓模型的粒子滤波算法，将几何主动轮廓模型与粒子滤波的优点结合起来，利用水平集技术处理目标轮廓曲线拓扑结构的变化，改进重采样技术，增加描述目标观测的可靠性。2、针对复杂场景下，单一信息源的跟踪不稳定问题，提出了基于多线索的分层重采样粒子滤波算法。以粒子滤波为跟踪框架，将运动特征和轮廓特征两种线索相结合，用运动似然模型进行预测，利用几何主动轮廓模型对粒子进行更新，并用分层重采样方法克服粒子退化现象。仿真实验表明，所提出的跟踪算法是可行的。基于几何主动轮廓模型的粒子滤波跟踪算法能够处理曲线拓扑结构的变化，提高的跟踪精度；基于多线索的分层重采样粒子滤波算法对目标在被遮挡及转弯形变等复杂背景下具有较好跟踪效果。