随着大数据时代的来临,传统监控系统已经难以满足今后社会的需求,智能监控系统作为时代的产物,越来越多地应用在各个领域。目标跟踪作为智能监控系统的重要组成部分之一,对后续的行为识别,异常分析的结果有着至关重要的影响。但由于现实环境的复杂,寻找一种鲁棒的跟踪算法仍是智能监控领域亟待解决的难题之一。因此,本文结合计算机视觉领域相关知识,对视频监控中的目标跟踪算法及其应用进行了深入的研究。在现有跟踪算法的基础上,提出了针对不同情况的解决方案,并提出了一种根据目标跟踪轨迹判断徘徊行为的方法。本文具体的研究内容如下:首先,在跟踪过程中,感兴趣区域可能受到摄像机视角变化、光照变化、姿势变化等因素的影响,导致目标外观发生较大的变化。针对这一情况,本文提出了一种基于视觉显著性的目标跟踪算法。并且着重研究显著性特征对目标跟踪算法的贡献,在现有显著性检测算法的基础上进行改进,提出了融合空间信息的加权显著性检测算法,利用显著性特征构建更符合人类视觉注意机制的目标外观表示,并提出了加权显著性检测与时空上下文学习相结合的实时跟踪算法。其次,由于单一特征难以很好地描述目标外观,并且目标区域的大小可能随着摄像头移动、目标与摄像头距离的变化而变化。针对这一情况,本文提出了一种基于哈希的多特征多尺度跟踪算法。通过构造哈希函数融合多种视觉特征从而获得较健壮的目标表示,利用在线加权多示例学习算法训练分类器预测目标在下一帧的位置,并额外使用一个尺度估计滤波器确定目标尺度。最后,本文将跟踪算法与实际应用相结合,利用目标轨迹定义徘徊行为,提出了一种基于轨迹分析的徘徊检测算法,根据轨迹持续时间与轨迹夹角的变化判断行人是否存在徘徊行为。相较于仅使用目标出现时间或目标轨迹混乱程度判断徘徊的算法,本文提出的算法具有更高的检测率以及较低的误检率。