计算机视觉是近几年来发展十分迅速的研究科学,目前正广泛地应用于军用与民用等各个领域。而目标跟踪作为计算机视觉的重要分支,融合了计算机科学、图像处理、模式识别、目标检测、人工智能以及自动控制等许多领域的前沿技术,在军事侦查、机器人导航、安全检测、交通管理、医疗诊断、气象探测等许多方面有广泛的应用。本文所研究的均值偏移算法是当前目标跟踪领域中最热门的跟踪算法之一,因为其实时性好、对遮挡与形变的鲁棒性好等优点受到了高度的关注和广泛的应用。然而均值偏移算法又具有诸多缺点,如无法自适应相邻帧目标重叠小的情况、缺乏模板更新、核窗宽大小固定、缺乏粒子多样性的跟踪特性、抗复杂环境干扰能力差等。本文将针对均值偏移算法的以上缺点分章节提出改进算法。在分析均值偏移算法相关理论的基础上:(1)结合卡尔曼滤波器,克服相邻帧目标面积重叠少的情况下目标丢失的问题;(2)采用了尺度自增减与形变预测两种不同的算法使核窗宽大小随目标形变自适应调整;(3)结合多模板集合改进算法克服均值偏移算法缺乏模板更新的短板;(4)采用粒子滤波算法以提高均值偏移算法的粒子多样性,增强算法的鲁棒性与准确性;(5)基于特征融合的思想改进了均值偏移算法,利用改进颜色融合算法增加目标与背景的分离度,并结合等间隔更新与卡尔曼滤波器,使算法在各种干扰性强的复杂场景保持出色实时性、鲁棒性与准确性。