扩展目标跟踪技术是图像处理领域的一个重要组成部分，在现实生活中也有较强的应用前景。但是，由于目标及其所处背景的多样性，使得没有一种有效的算法可以解决所有的跟踪问题。同时，目标姿态变化、旋转变化、运动模糊及其光照变化等因素的存在，也给跟踪算法的研制带来了困难。目前，虽然有很多成功经典的算法被陆续提出，但是仍有很多问题没有解决。本文针对这些问题，分析了一般目标跟踪算法的组成模块和处理流程以及扩展目标稳定跟踪技术的难点，并且研究了两种经典跟踪算法的优势和缺点。在此基础上，对扩展目标的稳定跟踪技术进行了深入研究。主要包括三个方面：首先，深入研究特征对扩展目标跟踪算法性能的影响。从特征选择和融合的角度解决扩展目标跟踪问题。文章对扩展目标所具有的、较为常用的特征进行了介绍。对于单个特征不足以对目标进行有效跟踪的问题，考虑使用多个特征融合跟踪。分析了多种特征级别的融合方式。并在此基础上，提出一种基于目标轮廓直线的参数方程和边缘灰度直方图相结合的跟踪算法。首先，利用Hough变换得到待匹配直线的直线参数方程，同时建立该直线边缘的归一化灰度直方图，由此得到的初始模板包含了目标的空间位置和像素分布信息。然后，在后续帧中，利用梯度方向和参数方程对分割后的像素进行聚类，得到多条待匹配直线。最后，利用灰度直方图匹配算法获得直线边缘的精确位置。实验证明该算法对处于复杂背景下、存在局部短时遮挡的、包含直线边缘的目标有很好的跟踪效果。其次，深入研究模板匹配算法中的关键技术点，包括模板的创建和模板的更新。从解决尺度问题的角度来阐述扩展目标跟踪算法的研究。本文从目标的灰度信息分布特点出发，提出一种基于加权信息熵的初始位置修正算法，首先，在搜索窗口中获取测试样本，然后，计算各个样本的加权信息熵，接着，通过先验信息对样本进行筛选，获得熵值最小区域，从而得到修正后的目标位置。从背景和目标的可区分性上来验证算法的有效性，实验结果表明，该算法对于处在复杂背景下的目标能够正确、可靠稳定的对其位置进行修正。对于模板尺度修正问题，使用SIFT特征点在前后两帧中的匹配关系求得模板变化的仿射变换参数，由此，对模板尺度进行自适应更新。在Meanshift算法框架下测试算法效果，实验证明，SIFT特征可以有效解决模板尺度更新问题。最后，深入研究稀疏特征和目标外观模型对扩展目标跟踪算法性能的影响。从目标外观模型的角度阐述扩展目标跟踪问题。压缩跟踪算法作为一种新的算法，具有简单、高效、实时的优点，但该算法依然存在缺陷。首先，在复杂背景或有遮挡等情况下，容易较快的引进误差；其次，跟踪窗口保持不变，使得不能正确跟踪目标位置且不能准确更新正负样本；最后，搜索样本数目大，导致跟踪速度不理想。针对这些问题，利用前后帧跟踪点的直方图对比来判断遮挡的发生，并自适应的改变更新系数；采用在原算法最优匹配点周围小范围多尺度搜索更优位置的方法，来适应目标尺寸的变化；引入粗精跟踪策略，在不同阶段使用不同数量的子特征集进行匹配，以筛选样本、减少计算量。这些改进避免了算法缺陷导致的跟踪失败，提高了跟踪效率。实验证明，改进后的算法比原算法具有更好的鲁棒性且跟踪速度更快。同时，进一步提出一种新的融合尺度不变特征和压缩特征的目标跟踪算法以解决姿态变换、光照变化、旋转和运动模糊下目标的稳定准确跟踪问题。算法使用压缩特征对目标和背景进行描述，通过在图像帧中采集到的正负样本在线训练和学习支持向量机分类器，将跟踪任务构建为一个二类分类问题。使用该分类器对下一帧的目标和背景进行分类，以从而获得精确的目标位置和区域。同时，算法使用前后两帧的尺度不变特征特征点之间的对应匹配关系求解目标尺寸变化值，从而实现模板大小的自适应调整。将算法与其他算法在某些图像序列上的跟踪比较显示，该算法在有效性、正确性和鲁棒性上性能优越。