目标跟踪因其在视频监控、人机交互、无人驾驶汽车等领域的广泛应用,成为计算机视觉领域中的基础研究课题之一。虽然在过去的十多年里取得了很大的进步,但是由于光照变化、几何变形、局部遮挡、快速运动和背景杂波等因素,目标跟踪仍然是一个棘手的课题。为了解决跟踪过程中出现的这些问题,本文主要做了以下两方面的工作:(1)均值偏移算法(Mean Shift,MS)对部分遮挡有较好的效果,但是目标模型仅采用颜色特征,缺乏目标空间信息,对目标的描述不充分,易发生错误定位。核相关滤波算法(Kernelized Correlation Filters,KCF)对遮挡和快速运动的跟踪效果不好,但是其循环矩阵对目标的描述比较充分。在跟踪过程中,当目标尺寸发生变化时,用固定模板跟踪目标就会导致目标过小时增加背景杂波,而目标过大时减少目标特征的提取。以上两种算法均使用固定模版来跟踪目标,针对其优缺点,本文提出基于均值偏移与核相关滤波的尺度自适应算法,以解决快速运动、运动模糊以及尺度变化下的目标跟踪问题。(2)在目标被部分遮挡或者目标旋转的情况下,基于判别滤波器的尺度自适应算法(Discriminative Scale Space Tracker,DSST)会彻底失去目标位置,并发生漂移现象。均值偏移算法在目标被部分遮挡时,会发生抖动,但在遮挡结束后又可以重新跟踪到目标;均值偏移算法采用颜色直方图来描述目标模型,颜色直方图可以用来记录目标颜色出现的概率,使其不受目标旋转的影响,最终准确地跟踪到目标。此外,若将颜色特征融合到DSST算法中,可以进一步提高算法的鲁棒性。因此结合两者的优缺点,本文提出基于均值偏移与多特征融合的尺度自适应目标跟踪算法。实验表明,本文算法在具有这些特征的数据集上取得了较好的跟踪结果。