可视化目标跟踪是计算机视觉领域中一个重要的研究方向,其主要目标就是估计出视频图像序列中目标运动的轨迹。其研究涉及到计算机图像处理、模式识别、人工智能及自动控制等诸多相关领域,已得到世界各国研究者、政府和商家的重视,具有广阔的应用前景和研究价值。另一方面,虽然经过多年的研究,现有的目标跟踪技术仍然面临着诸多挑战：遮挡、目标外观变化、目标间的频繁交互、环境的光照变化等。本文在对单目标跟踪和多目标跟踪已有工作深入调研的基础上,深入探索了目标检测、多特征自适应融合、模板更新、在线学习目标模型、目标轨迹的优化关联等关键技术,提出了应对挑战的解决方法。主要研究内容如下：●提出一种基于梯度统计信息的GMM (Guassian mixture model)背景抽取算法。该算法针对传统的混合高斯模型在背景建模时存在对光照变化敏感、难以检测运动缓慢或静止目标的问题,将局部图像区域的梯度统计信息融合到GMM模型中,实现了模型对光照变化的鲁棒性；为了更有效地实现背景建模,提出了一种基于分裂EM算法的模型参数估计方法；并在模型更新时采用了自适应学习率的方法,解决了运动缓慢或静止目标检测问题。实验表明该方法有效地提高了检测率和鲁棒性。●对单目标跟踪的关键技术进行研究,提出了一种基于分块的多特征自适应融合的目标跟踪方法。该算法将模板与候选目标进行分块,用颜色和CS-LBP特征对每块进行描述并进行特征自适应权值融合,从而实现了在不同情况下自动调整不同特征对整个目标跟踪的贡献；同时在目标跟踪过程中,给出一种部分更新模板的方法,能根据是否遮挡或外观变化来调整模板更新策略,较好地解决了在复杂背景下的光照、遮挡和外观变化的目标跟踪问题。●针对多目标跟踪过程中目标模型的区分性问题和目标关联的准确性及优化问题,提出了一种基于在线学习目标模型与逐层轨迹片段关联的多目标跟踪算法。该算法首先在目标检测的基础上,对检测出的响应用位置、大小、颜色进行描述,采用双阈值策略,将相邻两帧的同一目标相连,形成可靠的目标轨迹片段,然后采用在线学习的方式对目标轨迹片段的颜色与LDB特征进行区分性学习,同时在线学习非线性运动映射,建立了具有较高区分度目标外观模型和非线性运动模型,最后分四层对目标轨迹片段进行关联,每层中对一个时序滑动窗口内的轨迹片段进行全局关联,取得了较好的有遮挡目标的跟踪结果。