视频目标跟踪是计算机视觉的一个重要分支,已在场景监控、智能交通等许多领域得到广泛应用。本文在总结前人研究成果的基础上,主要对运动目标尺寸变化、跟踪过程中出现遮挡等问题进行深入研究。　　 首先简单介绍了目标跟踪和常用目标检测方法的基本原理,然后从视觉特征和定位算法两个方面对跟踪算法进行分类。由于确定性跟踪方法与概率跟踪方法各有优缺点,本文分别选择这两种方法的代表,即Mean shift算法和粒子滤波算法进行研究。　　 针对经典Mean shift跟踪算法在目标被长期遮挡情况下容易产生跟踪误差甚至丢失目标的问题,本文提出了一种改进的Mean shift跟踪方法。该方法将被跟踪目标划分为多个图像子块,通过对不同子图像赋予不同的权重融入目标的空间信息,目标模板与候选目标之间的相似性系数由对应的所有子图像的相似性系数融合而成。实验证明,该方法对被长期部分遮挡的目标能进行稳健的跟踪；此外,在传统尺度更新策略的基础上利用边缘直方图方法,通过当前帧与初始帧中目标边缘直方图的相似性系数进一步判断目标是否存在尺度变化,改进后的算法对目标的尺度变化表现鲁棒。　　 针对粒子滤波中利用Mean shift算法对粒子进行重新分配可能导致粒子丧失多样性的问题,本文提出了分层的采样策略,随机选择部分粒子进行Mean shift迭代,其余的粒子保持原值；同时,由于颜色直方图在描述目标时缺少空间结构信息,很容易受遮挡、光照等干扰的影响,本文运用结构相似性系数代替Bhattacharyya系数,通过比较目标模板和候选目标的结构相似性来更新粒子的权重,并得到目标状态的估计值。实验证明,本文算法的跟踪精度和速度都有所提高,并且可以适应光照变化。