随着计算机硬件设备性能的不断提升，智能视频监控系统在安防监控领域得到了广泛的应用，运动目标跟踪是智能视频监控系统的重要功能模块，在目标快速运动、外形变化、光照变化及背景杂乱的情况下实现运动目标的鲁棒跟踪是研究人员关注的重点和难点问题。在众多目标跟踪算法中，本文重点研究了在视频监控中较为常见的均值漂移算法和粒子滤波算法。均值漂移算法是一种基于非参数密度函数估计的方法，它是通过迭代的方法沿着密度函数梯度变化最大的方向收敛到函数的峰值，即得到目标跟踪位置。均值漂移算法计算量较小，算法简单易实现，常用在实时目标跟踪中。但是对于在背景杂乱，且目标较小的情况下，均值漂移算法容易丢失跟踪。粒子滤波算法是通过蒙特卡洛模拟方法来实现目标状态的递归贝叶斯估计，即从目标状态的后验概率中抽取随机状态粒子，并通过观测(目标与模板的相似度)修正各粒子权重，最终联合各粒子来表示目标状态分布，进而确定目标状态。粒子滤波以多个粒子的统计平均来表示目标状态，这样在噪声影响较大时粒子滤波仍可以得到较为鲁棒的跟踪结果。但是粒子滤波存在计算量较大和样本匮乏的弊端。本文第2章对上述两个算法进行了详细的理论分析和算法描述。本文的主要研究内容和创新在于：(1)针对在监控场景中的背景杂乱，目标较小的情况下现有的常规算法较难实现鲁棒跟踪的问题，提出了一种基于背景感知的目标跟踪算法。该算法将目标的局部背景引入目标描述中来，并将目标表示为一个带权点集，然后计算跟踪帧的观测概率结合目标先验信息得到搜索区域的目标后验概率值，嵌入均值漂移算法框架下实现目标跟踪。实验证明，对于背景杂乱、光照变化以及部分遮挡时该算法具有较强的鲁棒性。(2)针对目标运动时常伴随着外观变化的情况，现有的跟踪算法只是对目标建立单一参考模型进行描述，跟踪时目标参考模型不能适应目标外观的变化导致跟踪漂移甚至丢失跟踪。提出了一种基于多参考模型的粒子滤波跟踪算法。该算法对于目标的多个先验外观建立多颜色直方图组合，经过凸组合优化，计算最优组合系数得到最优参考模型。在粒子滤波框架下实现目标跟踪。实验证明，该算法对于变外观运动目标具有较好的跟踪效果。