视频目标跟踪是计算机视觉领域内一个重要的研究方向,它融合了模式识别、人工智能以及图像处理等学科的先进技术和研究成果,广泛应用于军事、武器系统、交通管制、智能车辆和安全监控等领域。然而,视觉目标跟踪过程中会遇到背景杂乱、目标被部分遮挡及严重遮挡、目标快速运动、目标自身姿态变化以及场景光照变化等问题,使得设计出一种兼备鲁棒性、准确性和实时性的视觉目标跟踪算法仍然面临诸多挑战。本文针对这些问题,把多示例学习应用在目标跟踪算法中,基于多示例学习提出两种改进的跟踪算法,并通过大量仿真实验表明本文算法在准确性和鲁棒性方面的提高。首先,研究分析目标跟踪算法的三个主要环节,通过研究现今常用的目标跟踪算法发现:在线学习跟踪算法和多种跟踪算法的结合是当今主要的研究热点。其次,研究以在线学习算法和集成学习算法为基础的在线Ada Boost跟踪算法,通过仿真实验发现在线Ada Boost跟踪算法存在样本选取的困难,进而对多示例学习进行研究,发现多示例学习能够解决样本选取的难题。然后,为了克服样本选取的困难,把多示例学习应用在跟踪算法中,同时考虑到设定搜索区域的困难,对目标运动信息建模,并根据弱分类器的分类能力赋予弱分类器权值,以提高强分类器的分类效果,但是该改进策略存在着自训练引起的误差积累问题。最后,为了避免自训练带来的误差积累,结合协同训练算法,在两个冗余的特征视图上分别训练和更新分类器,并对样本包中的示例赋予重要性度量权值,在多示例学习算法的基础上提出了结合协同训练的目标跟踪算法,仿真实验表明该改进算法的准确性和鲁棒性得到了提高。