数字视频图像处理是一个多学科交叉的技术领域，主要涉及概率论、线性代数、模式识别、数字图像处理、信息学、计算机科学等学科，是目前较热门的一个研究领域。其中，目标跟踪是数字视频图像处理的一个重要分支，在日常生活以及国防科技研究中均发挥着举足轻重的作用，例如视频监控系统、车牌跟踪与识别系统、弹道导弹防御系统等。但是随着视频情景越来越复杂，背景光照，目标形态，以及干扰信息等的变化都对目标跟踪算法提出了更高层次的要求。而现有的目标跟踪算法仍然存在一些不足，跟踪效果不甚理想。尤其在对目标物进行长时间跟踪以及对快速运动目标物进行跟踪的问题中，现有的目标跟踪算法目标丢失率高，且不易重新锁定目标物。　　为了克服上述问题，本文提出了一种结合人眼视觉信息和特征提取的目标跟踪框架，该框架主要分为三个部分。首先，针对显著性提取与人眼视觉习惯不够贴近的问题，本文研究了人眼视觉的高斯模型，并结合Kinect硬件平台得出人眼的显著性图。其次，针对显著性提取中计算效率不高的问题，本文提出了将显著性提取与特征提取相结合的算法，提高了计算效率。最后，针对目标跟踪中目标丢失率较高而且不易进行重新锁定，本文提出了改进的Grab Cut图像分割算法，并结合改进的MeanShift算法对目标物标定区域进行跟踪，提高了跟踪的抗干扰能力和重新锁定目标的能力。　　本文算法不仅可以使计算机执行各种机器指令，而且能够使计算机在对图像和视频等信息的机械处理中充分贴近人眼视觉，从而提高目标跟踪的鲁棒性和灵活性。第一步，利用ORB（Oriented FAST and RotatedBRIEF）算法计算特征点，根据特征点计算得到凸包；第二步，进行计算机显著区域的计算以获得计算机显著图；第三步，对人眼视网膜建立数学模型，并且利用该模型对Kinect获取到的人眼注视点图中的每个点进行模型化处理，得到更接近人眼视觉原理的注视区域图，即该图像的另一种显著图—人眼显著图；第四步，对上述两种显著图分别计算对显著区域块的显著性值产生影响的三个影响因子，并进行归一化处理；第五步，对计算机显著图和人眼显著图进行加权融合，得到融合后的显著图；第六步，通过改进的Grab Cut图像分割算法对显著图进行分割处理得到要跟踪的目标物；第七步，利用本文改进的MeanShift算法对提取出来的目标区域进行跟踪。　　改进后的目标跟踪算法具有如下特点：首先，该算法结合了特征提取算法。对显著图的提取过程中借助了图像的局部特征，和以往需要从整幅图像范围提取显著图相比，更具有目标性，而且效率更高；其次，该算法将两种不同显著图进行融合的方案可以使最后的显著图取二者之长，补二者之短，更具合理性和利用价值；最后，该算法对于目标物的跟踪过程中融入了人眼视觉模型，提高了跟踪的抗干扰能力和重新锁定目标的能力，对目标跟踪的准确性有了进一步保障。实验结果表明，本文的算法对于在视频序列中初始帧自动进行目标区域选择问题，短视频序列中有遮挡和旋转情况下目标跟踪问题，长视频序列中的长时间目标跟踪问题以及快速运动目标物的跟踪效果，都比改进前的算法有了显著的提升。