计算机视觉领域的研究涉及众多的学科,而运动目标的跟踪技术是其中重要的研究方向之一。近年来,随着计算机图像处理、模式识别、人工智能以及相关学科研究的不断深入,目标跟踪技术也得到了长足的进步。目前在这一领域的研究主要集中在两个大的方向上,其一是基于先验知识的目标跟踪技术研究,在获得初始的目标运动信息的基础上进行目标的跟踪;其二是不依赖于先验知识的目标跟踪技术研究,通过在视频中识别并检测出感兴趣的目标完成跟踪及相关工作。近年来在这两方面的研究都取得了较大的进展,但是目标跟踪过程中仍然存在很多问题需要解决。这些问题不仅包括目标的表达、跟踪过程中的外界的各种干扰、算法的鲁棒性等,还涉及到应用层面的通用性问题。本文从基于先验知识的目标跟踪问题入手,针对快速运动目标跟踪问题（即视频图像测试集相邻帧Ground Truth差值大于20pixel）进行研究,快速运动目标跟踪过程中除了具有一般目标跟踪常见的问题外,还具有快速运动带来的目标尺度、位移突变等问题,增加了跟踪的难度,文中提出了四种快速目标跟踪的方法,通过对运动目标的表达、跟踪目标的搜索机制、目标匹配方法以及算法的鲁棒性的研究,通过对比实验结果分析,表明研究的方法对快速运动目标跟踪具备一定的鲁棒性。论文的主要研究工作主要包括如下几方面:（1）基于模板集的目标跟踪关键在模板的生成、模板的匹配及更新,单一模板不能够很好的表达出目标的信息,在跟踪过程中容易导致跟踪失败。多模板能够更好的表达出目标的特征信息,但是多模板在目标匹配与模板更新问题上存在一定困难。提出的方法通过仿射变换产生多个目标模板,提出一种改进的相似度方法,在模板更新时考虑过去帧中不同模板的作用,计算出不同权值来实现多模板的更新,在改进的kalman filter框架下实现目标跟踪。（2）提取跟踪目标的特征建立目标模型是基于特征的目标跟踪的关键,常用的方法提取目标的颜色、纹理、灰度等单一信息来建模实现目标的跟踪,以及多特征的线性融合建模实现目标跟踪。多特征融合的方法通过提取跟踪目标的多个特征进行融合,建立跟踪目标的模型,存在的问题是模型建立较复杂,随着建立模型时特征数量的增加,导致的计算复杂度显著性提高。提出的方法通过抽取颜色、边界、纹理等特征建立一个不确定的目标模型,同时加入运动目标的运动特征信息,改进了目标模型匹配方法,在改进的MeanShift框架下完成目标的跟踪。（3）局部二值模式是经典的纹理识别算子,被广泛应用于目标的纹理识别中,扩展的纹理识别算子通过旋转不变性、时间空间性来增强算子的识别精度,动态纹理在时间域与空间域上对运动目标的纹理识别作了创新性研究。提出的方法结合旋转不变性与动态纹理的特点,考虑快速运动目标跟踪的需要,将旋转不变性算子在时间与空间上进行扩展,建立目标的纹理特征模型,利用D-S证据理论进行特征信息判别,实现目标的跟踪。（4）视觉显著性利用人体生理性特点,将目标视觉兴趣特征提取出来建立目标视觉显著性模型。提出的方法提取视觉静态的显著性图与目标运动显著性图建立目标的显著性图,在显著图区域中利用粒子滤波完成目标的跟踪。