基于视觉的目标跟踪是计算机视觉研究领域中的一个重要课题。目标跟踪是对图像序列中的目标进行检测,提取特征、判断、匹配、识别的过程,在该过程中我们可以获得目标的运动参数,例如位置、速度和加速度等信息,为做进一步的分析与理解提供帮助。基于目标跟踪在视觉导航、人机交互、视频监控等未来智能领域的广泛应用性,设计一个鲁棒的视觉跟踪算法在理论和实践中具有重要意义。但是由于外部环境的复杂多变性及目标自身状态的多样性,使得设计一个通用、鲁棒性质的跟踪算法始终是一个极富挑战性的课题。为实现在光照变化、背景扰动、目标遮挡、尺度变化等复杂环境下的目标跟踪,本文主要是对目标时空上下文信息利用以及复杂环境下的尺度变化进行研究。本文主要研究过程为:首先,针对基于时空上下文的目标快速跟踪(STC)算法中无法对目标进行准确的尺度估计的缺陷进行优化,提出新的基于时空上下文的目标多尺度跟踪的算法(SASTC)。本文提出的算法借鉴基于相关滤波跟踪的框架,在2维的目标跟踪的原理基础上进行1维的目标尺度的计算。本文算法将跟踪过程分为两个独立的部分:跟踪部分和尺度计算部分,尺度计算部分可以被任何跟踪框架下的其它算法所借鉴和应用。其次,由于本文将跟踪过程分为两个相互独立的部分,因此在每个独立的部分都可以选择不同的特征描述和特征计算方式对跟踪过程进行训练和测试。为了提高跟踪的综合性能,我们在位置估计部分采用常用特征图像灰度值,在尺度估计部分采用PCA-HOG特征,不同特征的使用可以构造更完善、有效的目标外观模型,增强算法的鲁棒性。最后,在整体上对算法细节进行了优化。一方面,在算法实现的过程中使用了图像归一化的处理方式,这种操作在没有改变图像的对比度的前提下,可以有效地减小由于光线不均匀对目标图像造成的光照干扰。另一方面,在傅里叶变换之前对图像加上一个具有低通滤波特性的汉明窗,以便滤掉图像边缘的高频部分,减少图像边界的频率效应。