目标追踪的是许多像视频监视(surveillance),基于视觉的控制,人机交互接口(human-computer interface),虚拟现实(augmented real-ity)等应用的中心问题。主要的方法分为确定性方法,即把问题当成一个优化问题来最大化一个相似度,如SSE, Meanshift等。另一种是基于概率的方法,如particle filter。本文首先简单介绍了一下当前目标追踪算法的研究现状。之后,我们把目标追踪算法分成三个主要组成部分(相似度规则,搜索算法和更新规则),分别加以讨论。并在后面的论述中,我们将主要围绕这三个组成部分来介绍。从第二至第四章,我们每一章将重点介绍一个目标跟踪算法。第二章中,我们主要处理的问题是光照敏感性的问题。我们基于子空间算法的框架,结合使用基于梯度方向的图像特征,并且在理论上给出了使用梯度方向向量在光照条件变化的情况下具有一定的鲁棒性。另外,通过实验,我们也充分表明了我们的算法优于直接使用原始像素点的子空间算法。在第三章中，我们主要解决的是遮挡问题。由于遮挡问题对目前的目标追踪问题来讲,是一个非常严重并且很难解决的问题。为了解决这个问题,我们使用Robust PCA来取代PCA,这样做的效果非常明显。它不但在预测目标对象位置时,能准确的判别对象位置,无论有多大的遮挡存在。另外,它也可以作为一种标准用以控制模板的更新。基于Robust PCA的结果,我们提出了遮挡处理策略。也就是把每帧的目标对象与一个状态相关联,每个状态都有一固定的动作。状态之间的转化主要根据Robust PCA的结果。通过这个策略,我们很好的解决了目标对象的更新问题。在第四章中,我们放弃了使用子空间的算法框架,转而优化粒子滤波器的Proposal Distribution。通过引入基于霍夫变换的粒子滤波器框架,把原先的算法发成两部分,首先是通过霍夫变化来求出目标对象中心的一个粗略位置,然后使用Haar特征的粒子滤波器算法来优化这个结果。在更新模板过程中,我们充分使用了两种的方法优点,设计了一种更新策略。在第五章中,我们总结了本文所提出的一些问题,并给出了对未来工作的一些展望。