基于视频的运动目标跟踪是计算机视觉研究领域的一项必不可少的关键技术。Mean Shift算法是众多优秀的运动目标跟踪算法之一。本文的主要研究内容为Mean Shift理论和传统的Mean Shift目标跟踪算法,以及针对Mean Shift目标跟踪算法在目标快速运动和严重遮挡情况下常常跟踪失败的缺陷提出改进策略。Mean Shift算法采用核颜色直方图作为描述目标的模型,核函数的单峰性使得该算法对目标的部分遮挡或目标变形具有较好的鲁棒性,并且具有较好的实时性。然而Mean Shift算法也有其固有的一些缺陷,如在目标运动速度过快或目标遇到大比例遮挡的情况下,算法会收敛到背景中与目标颜色较为相近的区域,从而导致跟踪失效。本文针对目标快速运动情况下Mean Shift算法失效问题,提出了结合卡尔曼滤波器的改进方法,有效地解决了快速目标的跟踪问题,并针对目标严重遮挡的情况提出了判断遮挡和相应的处理方法,很好地解决了严重遮挡情况下的目标跟踪问题。本文介绍了Mean Shift的一些相关理论,如核密度估计理论等,解释了Mean Shift向量的概念,并对Mean Shift算法的收敛性进行了证明。在Mean Shift理论的基础上,本文详细描述了Mean Shift应用于目标跟踪的具体方法和步骤,同时提出了尺度自适应的更新策略,以满足跟踪过程中目标尺度的变化要求,还列出了Mean Shift算法在各种不同情况下的实验结果及分析。针对快速运动目标跟踪的情况,本文提出了Mean Shift与卡尔曼滤波器相结合的算法,描述了Mean Shift与卡尔曼滤波器相结合的具体方法。首先,对卡尔曼滤波器理论作了简单的介绍,然后,具体讨论了如何对卡尔曼滤波器建模,以将其良好的预测功能应用于目标跟踪,提高Mean Shift算法对快速运动目标的跟踪效果。同时展示了Mean Shift与卡尔曼滤波器相结合的改进算法以及严重遮挡情况下跟踪的实验效果,并对结果进行了分析。通过将传统Mean Shift算法与改进算法的实验结果进行对比,证明改进的算法能够对快速运动目标和严重遮挡的情况进行连续稳定的跟踪,相对于传统的Mean Shift算法跟踪效果有了显著的提高。