视频图像序列中的目标跟踪是计算机视觉领域中的核心研究课题之一,最近几十年来受到了学者们的广泛关注。目标跟踪技术为更高层的视频理解和场景解释提供底层对象和分析依据,具有着重要的研究价值。然而,目标自身特征的多样性和所处环境的复杂性等因素限制了跟踪算法的性能。因此,设计一种稳定、可靠的运动目标跟踪方法在当前仍然是一项非常具有挑战性的工作。本文调研了目标跟踪技术的发展历程和研究现状,对几种基于Mean Shift算法的目标跟踪算法进行了研究和分析,并提出了新的改进算法。改进算法能够根据目标的几何信息自适应的调整跟踪框的大小,提高跟踪算法的性能。本文的主要研究工作如下：(1)对运动目标跟踪中常用的技术做了研究,主要有运动目标的表示方法,目标特征选择,目标跟踪方法的分类和数学形态学处理。(2)详细介绍了Mean Shift目标跟踪算法和背景加权(Corrected Background-Weighted Histogram, CBWH)的均值漂移跟踪算法的原理与实现框架,并采用多个视频序列进行了对比实验,实验结果表明CBWH跟踪算法较传统Mean Shift跟踪算法具有迭代次数少,跟踪精度高,且对目标初始化不敏感的优点,因此具有更好的环境适应性。(3)目标显著特征信息数据量的多少可以作为判断目标尺度的重要依据。因此,给出了一种改进的跟踪算法：采用CBWH算法跟踪目标的位置,使用经过背景加权的目标模型生成当前帧的颜色概率图,在该图中通过计算矩特征估计目标的尺度以调整下一帧中跟踪框的大小。实验结果表明,本文算法较CBWH跟踪算法在性能上有一定程度的提高,能够较为准确的跟踪目标的尺度,具有更好的稳定性。