随着传感器的普及率不断提升,摄像机被布置在城市的每一个角落。摄像机网络常被用于区域监控,灾难响应,环境监控等等。在多个相机复杂场景下,可检测的视野范围更广阔,但是如何更好地利用多个相机的数据,是一个重要的问题。同时,仅通过人工检索的方式已经不能满足人们的需求。因此,需要一个能在多个相机环境下进行有效目标跟踪的算法来代替人工检索。多个相机间的目标跟踪,即利用多个摄像机协同完成对目标的跟踪过程,是目标跟踪中的重要研究方向。在多相机网络中,由于每个相机都有庞大的视频数据等待处理,每个相机都可能包含目标的信息,所以如何处理这些数据是一个问题。针对这些问题,本文以基于分布式框架为基础,针对多相机下如何更好的跟踪目标进行了研究。本文的主要工作如下:（1）基于具有重叠视野、非全连接的多摄像机网络,本文提出了一种基于颜色特征的分布式粒子滤波目标跟踪方法。本文提出算法先利用本地每个观测节点中带有颜色特征的粒子来估计目标的状态向量,然后利用融合滤波器对相邻节点之间的估计的目标状态向量进行一致性分析,再利用得到的一致性结果去估计最终的目标状态向量。最后实验验证了把颜色特征融入分布式粒子滤波中得到有效的目标跟踪。（2）基于具有重叠视野、非全连接的多相机网络,本文提出了一种应用于多相机目标跟踪的鲁棒性框架。传统的分布式目标跟踪方法已经实现了优秀的性能,但它并不能有效解决朴素节点、计算量的问题、能耗问题、帧同步问题,尤其是在计算机视觉领域。本文提出了一个分布式相关滤波目标跟踪框架,该框架与分布式粒子滤波和分布式卡尔曼滤波框架不同,具体为一个鲁棒性的基于加权的平均一致性算法和结合相关滤波器的摄像机网络下的目标跟踪框架。通过做实验发现本文提出的框架可以利用多个相机的数据实现对目标进行持续且有效的跟踪。