视觉目标检测与跟踪是计算机视觉领域一个备受关注的新兴研究方向,是智能监控,人机交互,机器人视觉导航等应用的基础。计算机视觉和应用研究者也适时提出了一些新的视觉目标检测与跟踪技术,并取得了很多杰出的成果。尽管如此,目标跟踪领域仍然有许多值得研究的方向,遮挡问题,光照影响以及目标的形变等情况都会给跟踪造成影响,为了提高目标跟踪算法在多种应用情境下的鲁棒性,本文在跟踪中的尺度变化,特征选择和模板更新问题上进行了研究,主要的研究成果如下:(1)提出了一种自适应尺度变换的方法,预先对提取的样本特征进行尺度变换处理,通过分类器的训练,从而获得最大响应值所在的尺度特征矩阵,即可得到最为合适的目标尺度值,较好地实现目标跟踪框的自适应改变,提高目标跟踪的精度。(2)提出了特征自适应选择的方法,分别提取目标的HOG特征和颜色特征,并训练相关分类器,得到各自的响应值,并对最终结果进行自适应加权融合,自动为目标所在的位置信息分配其各自的权重,这种方法可以较好地应对遮挡情况。(3)提出了对目标模板的更新机制进行改进的思路,预先设置一阈值作为判定标准,以此判断跟踪结果的可信度,决定是否要对现有跟踪模型进行更新,以提高跟踪的实时性。(4)结合上面的成果提出了一个多特征融合的自适应尺度变换的目标跟踪算法,并且改进了目标模型的更新机制。基于大量的测试数据集的实验结果显示了本算法在跟踪性能上的优越性。相比较其他现有的目标跟踪算法,本算法也能够较好地精确跟踪目标,具有一定的应用研究价值。