视频目标跟踪(Video Object tracking,VOT)是计算机视觉领域的重要研究内容之一,随着计算机技术、图像处理技术以及人工智能技术的快速发展,在智能监控、智能交通和医学诊治等众多领域得到了广泛的应用。但是实际跟踪环境是复杂的,如光照强度的变化、目标自身的形状和大小变化、平面内和平面外旋转都会导致目标跟踪技术算法性能降低。因此,提高视频目标跟踪的鲁棒性、准确性和实时性成为了其关键技术的重要研究内容。视频目标跟踪技术可分为目标检测和目标跟踪。首先,本文从检测精准性出发,研究了传统视频目标检测算法,分析了帧间差分法、背景减除法和光流法的优点与不足,并对几种经典特征点匹配方法进行了深入分析,从而将定向快速简单旋转描述子(Oriented FAST and Rotated BRIEF,ORB)特征点匹配法与帧间差分法相结合,提出了基于特征点匹配的改进帧间差分法,为后续目标跟踪提供准确的初始值。其次,针对传统均值漂移算法易受复杂背景的干扰,本文提出了基于背景加权的多特征融合均值漂移算法(Background Weighted Multi-Feature Fusion Mean Shift,BWMFMS)。在传统均值漂移算法上,引入了背景加权系数,融入纹理特征和边缘特征,建立精准的目标模型。对目标模型进行尺度估计,解决了目标跟踪中“小尺度游荡”问题和“尺度无限增长”问题。该算法提高了跟踪算法的鲁棒性和精度。最后,针对传统均值漂移算法目标遮挡漂移问题和无法跟踪快速运动目标问题,将容积卡尔曼滤波(Cubature Kalman Filter,CKF)与BWMFMS算法进行融合,本文提出了CKF-BWMFMS算法。将容积卡尔曼滤波的预测值,作为BWMFMS算法的初始值。将BWMFMS算法结果作为容积卡尔曼滤波的测量值,最后得到目标的位置。该算法可以保证准确性和实时性,能够提高鲁棒性,并且能解决均值漂移算法目标遮挡漂移问题和无法跟踪快速运动目标问题。