目标跟踪在许多领域有着广泛的应用，如军事武器、智能监控、人机交互和视频压缩编码等，因此对目标跟踪的研究具有重要的价值和意义。国内外研究人员为解决目标跟踪中存在的各种问题，提出了许多跟踪算法。其中， Mean Shift算法由于其理论严谨，易于实现，具有良好的跟踪性能等特点，而成为目标跟踪领域中的研究热点。本文着重研究该算法，分析其在跟踪应用中存在的问题，提出了相应的解决方法。Mean Shift算法是一种高效的搜索匹配的跟踪方法，其原理是基于特征概率密度统计的建模方法。在跟踪过程中， Mean Shift算法首先在视频序列的起始帧中，通过手工选定感兴趣的目标区域，并建立相应的目标模型；然后在后续帧中，根据Bhattachar yya系数迭代搜索与目标模型最相似的候选目标区域。 Mean Shift算法对目标的外表变化、噪声、部分遮挡等表现出良好的跟踪性能，但是当视频序列中目标和背景相似时，经典的Mean Shift算法难以有效的区分目标与背景，使得目标不能准确跟踪定位，甚至丢失目标。针对经典的Mean Shift目标跟踪算法对目标跟踪定位不准确甚至丢失目标的问题，对该算法进行了两方面的改进：一方面利用目标区域内的角点像素的颜色特征来构建目标模型及候选目标模型，由于角点是物体的结构特征，表征目标的能力较强，能够有效区分目标与背景，从而削弱背景信息的干扰；另一方面对Mean Shift算法中的迭代权值i进行改进，改进的迭代权值i可判别出目标模型中的主要像素和次要像素，以分配不同的权值，进一步有效区分目标与背景，而且降低了计算量，提高了算法的实时性。实验结果表明，改进的算法对目标与背景较为相似的视频序列表现出良好的鲁棒性，并且算法的准确性和实时性也得到了提高。