跟踪视频中的运动目标是计算机视觉领域中富有挑战性的课题之一，在视觉导航、安全监控等领域有着广阔的应用前景。开发鲁棒的跟踪算法也具有重要的理论意义。文献中广泛使用的一种算法是卡尔曼滤波，它在线性高斯模型下能得到最优估计，但在非线性非高斯模型下则效果很差。为了克服这些缺陷，随后提出了基于蒙特卡罗采样的粒子滤波跟踪方法。　　粒子滤波方法可以以一种递归的方式有效地估计出非线性非高斯动态系统的状态，而且能够融合目标的多种特征信息作为观测值，从而在目标跟踪领域得到成功的应用。　　传统的图像特征表达方法，基本上是围绕图像的颜色、纹理、形状展开，其各自的优点突出但也都存在一定的应用局限。本文引入一类具有尺度不变性的特征，其中的SIFT是一种图像局部特征，它对于图像的尺度缩放、旋转、平移及光照变化具有良好的不变性，曾在场景匹配、图像检索等领域获得成功运用。其改进版本SURF在保证了SIFT优点的同时，大大提高了特征提取的速度，为其成功应用于目标跟踪领域创造了良好条件。　　在上述研究基础上，本文将目标表达、分层思想、多尺度思想、预测判断以及推理等人类视觉常用的方法引入到目标跟踪算法的研究中，把SIFT等尺度不变特征应用于目标跟踪领域，设计实现了一种对姿态、光照变化、遮挡现象鲁棒的跟踪新算法。该算法同时结合了全局的颜色特征和具有尺度不变性的局部特征,并通过粒子滤波方法合理地进行概率融合。算法中提出两种概率融合策略。目标模型具有自动更新能力。　　大量实验结果证明，本文提出的跟踪方法能够很好地处理姿态、光照变化和严重的遮挡，有效解决基于单一特征的跟踪算法稳定性差和精确度不高的问题，一定程度上满足跟踪鲁棒性和实时性要求，从而达到优于传统跟踪方法的性能。本文的工作为目标跟踪方法的研究开辟了一条崭新的道路。