视频目标跟踪研究是机器视觉领域中的热点问题,在计算机硬件、视频监控网络和机器学习理论发展的推动下,已经被广泛地被应用到民用和军用各个领域。尽管研究者针对具体的实际问题提出了很多有效的视频目标跟踪算法,但仍然面临着很多具有挑战性的困难,如严重部分遮挡、强烈光线变化、运动突变及其引发的运动模糊等,因此设计一种鲁棒的、通用性强的视频目标跟踪方法是亟待解决的重要性研究问题。本论文在基于群优化算法的跟踪方法框架下,对目标跟踪展开了深入研究,并对跟踪过程中出现的部分挑战性问题,提出了一些有效的跟踪新方法:1.提出基于蚁狮优化(Ant Lion Optimization,ALO)算法的目标跟踪方法。将一个新颖的群优化方法——蚁狮优化算法,作为搜索策略引入视觉跟踪框架,并对该方法中参数的自适应和灵敏度进行了实验研究。实验表明,提出方法有较好的跟踪结果,尤其在目标发生突变运动的情况下。2.提出一种融合扩展的布谷鸟搜索(Extended Cuckoo Search,ECS)算法与核相关滤波(Kernel Correlation Filtering,KCF)的跟踪框架。针对KCF在跟踪过程中,不能很好的适应目标突变运动问题,将布谷鸟搜索(Cuckoo Search,CS)算法引入KCF跟踪,并设置切换模型,形成一个可同时跟踪平滑运动与突变运动的跟踪框架。又因为CS后期存在收敛能力较差,导致跟踪精度下降的问题,使用具有强大局部优化能力的单纯形法(Simplex Method,SM)对CS进行改进,增强了算法的收敛能力,提高了跟踪精度。3.此外,为了说明优化算法在目标跟踪应用中的优势和不足,论文对比了基于三种经典优化算法的目标跟踪效果,阐明了优化和跟踪的关系。论文对基于ALO、CS和粒子群优化(Particle Swarm Optimization,PSO)算法的跟踪方法进行了跟踪实验,将他们的跟踪结果与基于模拟退火(Simulated Annealing,SA)的方法的实验结果进行了比较。并针对每个方法在特定跟踪场景的优势和劣势进行了说明,为以后设计特定场景的跟踪方法提供可能。