作为智能信息处理系统的关键技术之一,目标跟踪技术被广泛地应用在城市智能交通、无人车驾驶、人员的异常行为检测等领域中,具有极大的应用价值。特别是近年来,信息技术的快速发展使得目标跟踪技术日新月异,跟踪的精度、准确率和鲁棒性都有了极大的提升。但是,真实的跟踪环境复杂多样,存在着许多干扰因素,目标跟踪算法要实现对目标的稳定跟踪面临着巨大的挑战。因此,本文在总结前人研究成果的基础上,将超像素分割算法应用到目标跟踪当中,增强了目标跟踪算法的鲁棒性。本文主要内容如下:(1)研究了五种典型的超像素分割算法,提出了一种基于颜色直方图的超像素评价方法。该方法通过能量函数计算超像素颜色直方图的能量值,并根据能量值的大小评价超像素算法的性能。(2)用超像素的边缘召回率、欠分割错误率、分割效率以及本文提出的基于颜色直方图的超像素评价方法对四种超像素算法进行了评价。通过实验,我们发现SEEDS(Superpixels Extracted via Energy-Driven Sampling)超像素算法的边缘召回率、欠分割错误率、分割效率以及颜色特征均优于其他三种算法。因此,本文使用SEEDS超像素算法进行后续的跟踪实验。(3)研究了图像的颜色特征,提出了一种基于改进颜色聚合向量的超像素特征。该特征由多个超像素颜色聚合向量构成,具有丰富的图像颜色信息和结构信息。(4)利用超像素构建目标的外观模型,提出了一种基于超像素外观模型的目标跟踪算法。该算法利用超像素构建目标的外观模型,并利用外观模型与候选图像的匹配结果构建候选区域的置信度图,确定目标位置,实现目标跟踪。通过实验,我们发现该方法在目标发生畸变、旋转、缩放等变化时具有较好的跟踪效果。