视频目标跟踪技术在计算机视觉、智能学习等领域一直是一个难点问题。该技术在商场监控、智能交通、人机交互等领域的应用越来越普遍。近年来,众多学者进行了更加深入的研究,并在前人研究的基础上对算法进一步的创新。视频目标跟踪技术有2种普遍使用的算法,分别是粒子滤波算法和Mean Shift算法。本文针对粒子滤波和Mean Shift算法各自的特点,就其处于复杂环境条件中对目标跟踪过程当中如何改善算法的鲁棒性和实时性,展开了如下研究:针对粒子滤波算法在利用单一特征进行跟踪时容易导致跟踪失败的问题,提出使用多特征融合的方法建立一个较强的观测模型。该观测模型通过对颜色、结构和纹理特征信息进行融合而建立的,并且在跟踪过程中各个特征的融合系数可以随着跟踪过程中环境的变化进行自适应的调整,在实际跟踪当中几个特征信息可以互相弥补,当一种特征失效时,还可以通过另外的特征信息来对目标进行跟踪,从而保证了跟踪的鲁棒性。针对粒子滤波算法在跟踪当中使用多特征融合来保证鲁棒性的同时,算法的复杂性也随着增加的问题,提出使用一种自适应策略来调整跟踪过程中所需要的粒子数目。当目标处在简单的环境当中时,由于受周围的环境干扰较小,目标模板与候选目标模板的相似度很高,可以适当降低所需的粒子数目来实现跟踪的实时性。如果目标处在复杂环境当中时,由于受周围环境影响较大,目标模板与候选目标模板的相似度较低,此时可以通过增加粒子数目来实现对目标的稳定性跟踪。该策略通过自适应调整跟踪过程当中的粒子数目来保证跟踪过程的时效性。针对粒子滤波算法在对目标进行跟踪的过程当中耗时较大,而Mean Shift算法容易陷入局部极值的问题,在融合颜色、结构和纹理特征的基础上,将粒子滤波和Mean Shift两种算法进行融合,提出多特征融合与Mean Shift的粒子滤波跟踪算法。在粒子滤波中,使用Mean Shift对跟踪过程的粒子集合进行聚类操作,使得粒子的权值增大,更加近似跟踪目标的真实位置,该算法通常使用少量的粒子数目就能对目标进行稳定的跟踪,继而保证了跟踪的时效性。