视频从视觉上形象地反映了客观事物，通过对事物的生动描述，直观而具体地表达了信息要素。在信息产业高度化的今天，伴随着通信、网络、计算机技术和微电子技术的发展，视频技术被应用在各个领域，所以研究智能化视频监控系统就显得尤为重要。视频中运动物体追踪算法是通过分析视频中每一帧图像信息，进行数据挖掘，学习目标行为并进行大量的动作捕捉，对信息进行一系列的处理后，得到并标记出所追踪目标在图像中相应的位置。同时，由于目标所处的环境条件的复杂性、以及被追踪的物体本身存在的各种原因，使得视频中运动目标追踪算法在很多方面的研究存在着一定的挑战。本论文通过研究目标追踪过程中，对追踪算法有影响的因素进行研究，试图通过建立精确高效的目标模型，结合分类或状态推演等方法，将图像中的目标与背景区分开，以达到快速追踪视频中目标的目的。鉴于当前大多数的追踪算法都是使用目标外观模型和特征进行目标的匹配，在长时间的目标追踪过程中，目标的尺度和形状均会发生变化，再加上计算机视觉误差，提出一种高效的目标模型用于提高追踪的效率和成功率。采用分割后提取的目标特征来进行建模表示外观结构，利用图像分割的方法，将被追踪的目标区域分割成多个超像素块，结合SIFT特征，形成词汇本，并计算每个词在词汇本中的权值，作为目标的外观模型。利用外观模型确定目标对象的关键点位置后，通过使用金字塔Lucas-Kanade追踪器预测关键点在下一帧图像中的位置，并移动追踪窗口位置。结合点位移的加权计算有效的克服目标尺度和形状变化产生的问题。实验结果表明在目标发生形变或光照变化的情况下，算法也能准确的、实时的追踪到目标。由于粒子滤波框架追踪目标时追踪器搜索范围较小，提出一种结合粒子滤波框架和多示例的追踪算法，保持多条追踪路径同时进行搜索，在追踪的过程中不断计算从第一帧到当前帧的最佳路径，使用带有颜色直方图特征的状态变量，在选择最小解的时候，结合颜色特征和追踪算法，有效的限制了目标粒子的权值。在计算粒子权值的时候，还使用了最短路径的方法，计算出当粒子样本的目标状态到上一帧中目标的粒子的路径长度，用以限制粒子选择的区域，保证算法的健壮性和有效性。