目标跟踪是交叉学科的产物，在智能监控、军事制导、图像检索、三维重构等领域具有广阔的应用前景和巨大的经济价值；同时，它也是目标识别和行为理解等后续工作的基础，具有较高的学术价值。因此，目标跟踪受到了国内外学者的广泛关注，激发了人们的研究热情。　　 目标在运动过程中会出现以下现象：旋转、遮挡、形变、临时从场景中消失等自身的变化；同时还存在光线、背景、与摄像头之间的远近距离等场景的变化。这些不同的变化对目标跟踪都有不同程度的影响，所以对跟踪算法的鲁棒性和准确性有更高的要求。　　 本文研究了视频序列图像中的运动目标跟踪方法。针对上述影响目标跟踪的主要问题，尤其是针对遮挡问题，完成了如下主要工作：　　 1．针对传统的分块跟踪算法受背景相似颜色的影响，提出了基于分块的边缘方向直方图和颜色直方图特征(EOH-RGB)自适应融合的目标跟踪方法。实验结果表明该方法较单一的RGB或EOH特征跟踪更加准确，而且通过自适应融合的方式具有更好的抗遮挡能力。　　 2．针对在基于特征点的跟踪方法中如何利用特征点确定目标的尺度和位移的问题，提出了基于中值法的光流跟踪。该方法利用归一化互相关系数和欧式距离确定可靠的特征点，再用中值法计算跟踪结果。最后与基于最小二乘法的光流跟踪进行比较。实验结果表明，在没有遮挡或小部分遮挡的情况下，基于中值法的跟踪比基于最小二乘法的跟踪稳定且准确，处理速度约为18帧／s。　　 3．提出了基于粒子滤波和随机森林的集成跟踪方法。简单的粒子滤波方法适用于非线性、非高斯的场景，具有一定的抗遮挡性，但跟踪失败后不能恢复；而随机森林分类器用于检测场景中的目标。通过设计集成跟踪策略对检测器和跟踪器的结果互相修正以确定目标的最终位置并在线更新分类器；此外，通过在线建立正负样本模型，保存了有效的新样本以作为目标的新表观。实验结果表明该方法不仅可以准确跟踪目标，而且在跟踪失败后又在随后的序列图像中出现了正样本模型中包含的外观时，可以重新检测到目标并继续跟踪。