计算机视觉是当前人工智能领域的研究热点之一，而人类视觉的一个关键作用是对于运动物体的跟踪，现实生活中有大量的信息包含在运动中，所以对于运动物体的跟踪已经成为计算机视觉领域重要的研究方向。运动目标的跟踪研究涉及到模式识别，图像处理，机器学习，信号处理，统计学，最优化方法等诸多领域，对于目标跟踪的研究有着重要的理论价值，而且由于视频跟踪系统的广泛应用，对于运动目标的精确跟踪在人机交互，交通导航，基于运动的目标识别，智能监控，视频压缩，武器制导等领域都具有重要的实际意义。所谓运动目标的跟踪，就是指在视频中对于目标运动的轨迹进行估计，已经有很多研究人员在这方面做了大量的工作，但是由于现实场景的复杂性，比如凌乱的背景，大范围的遮挡，以及目标本身表观的变化，比如目标姿态和尺度的变化，这些工作往往只能够解决特定场景下的特定问题，难以在实际应用中取得理想的效果，因此要想得到一个鲁棒的跟踪算法，还有大量的工作要做。在本文中，我们主要着眼于如何获取目标和背景之间的具有判别能力的信息来对目标进行表观建模，以及在跟踪的过程中如何有效地利用这些信息。在本文中，我们通过多颜色空间的方法来获取目标和背景之间的判别性信息，然后通过AdaBoost学习的方法来对这些信息进行学习，最后分别在Mean Shift方法和粒子方法方法中进行了应用。本文的主要研究内容如下：第一，提出了一种在Mean Shift框架下点的权重的计算方法，算法利用AdaBoost方法对多颜色空间学习得到的强分类器对于目标区域中的每个点进行分类，每个点会都得到一个权值，然后将加权的像素点的集合应用到Mean Shift方法中，对运动目标进行跟踪。第二，提出了一种在粒子滤波框架下粒子权重的计算方法，算法将粒子权重的计算分为两部分：基于图像的整体信息和基于局部点的信息，然后对这两部分得到的粒子权重进行加权求和得到最终的粒子权重，然后在粒子滤波方法中利用得到的权重进行跟踪。