目标跟踪是一门综合了计算机技术、自动化控制技术、图像处理技术、人工智能等多个研究方向的综合技术。目标跟踪在许多领域都有着广泛的应用,如智能监控、交通监视、商场监视、天文观测、医学图像、军事制导等。随着计算机技术的发展,目标跟踪已由传统的基于电视或屏幕跟踪等以人为主监控为辅的监测系统向以监控为主以人为辅的智能方向发展。但是目标跟踪在实际应用中仍然有很多问题需要解决。比如在有噪声干扰、光线变化等因素的场景中的跟踪是比较基本而又难以解决的问题,本论文就是基于此问题进行研究。论文首先对运动目标跟踪理论与方法进行了研究,然后对目标跟踪中的主流算法Kalman滤波器算法进行了详细的介绍,最后在Kalman滤波器算法的基础上,提出了两种有效的跟踪算法并介绍了一种Kalman滤波器的扩展算法——概率数据关联算法。用Kalman滤波算法对一个视频序列进行跟踪时,由于噪声和光线等因素的存在,会对跟踪的结果产生影响。本文对以上在跟踪过程中存在的不足,进行了研究和测试并对Kalman滤波的一种扩展算法做了详细的研究。噪声干扰问题是目标跟踪领域的一个基本问题,由于在视频序列图像中干扰噪声的存在,在目标检测的过程中会产生多个候选区域,导致跟踪结果的错误,或者目标丢失的现象,论文提出了动态模板和Kalman滤波器相结合的跟踪算法,这种算法计算简单,并且在有背景干扰的场景中能够有效的跟踪运动目标。场景中光照的变化是噪声干扰的一个重要因素,在视频序列图像场景受光照等外界因素影响变化较大的情况下,会对跟踪结果产生影响,论文提出用静态模板选取有效的运动模型,然后再用Kalman滤波器算法进行跟踪,并取得了一定的效果。实验结果表明,提出的算法具有很好的跟踪精度与准确性,能够有效的跟踪运动目标,在有干扰噪声和光照变化的场景下具有较好的鲁棒性。数据关联是多目标跟踪中的核心技术,概率数据关联是数据关联中一种经典的算法,而单目标跟踪是多目标跟踪研究的基础,所以论文用概率数据关联算法对单目标跟踪进行了研究,为数据关联算法在多目标跟踪中的研究奠定了的基础。