目标跟踪一直是计算机视觉领域研究中的一个核心研究方向。目标跟踪在实际生活中的意义非常重大,例如它广泛应用于智能交通系统、视频监控系统、人机交互、视频检索、视频压缩、三维重建、虚拟现实等方面。尽管在过去几十年中,目标跟踪技术取得了长足的进步,但它仍然存在一些尚未解决的问题,例如光照变化、遮挡、大雾天、雨天、下雪天、目标尺寸变化、背景杂乱和跟踪实时性的要求等问题。自适应颜色属性实时视觉跟踪(Color Name,即色彩名称,简写CN)算法是一种基于判别式的目标跟踪算法,该算法采用高效的正则最小二乘法分类器代替传统Support Vector Machine(SVM)分类器进行分类,采用循环矩阵和傅里叶变换来进行稠密样本化,采用CN空间颜色特征值和灰度值共同代表目标的特征,采用主成分分析的方法对高维的颜色数据进行降维,以此降低跟踪目标的计算复杂度,最后分类器的参数更新会考虑到之前跟踪过的所有帧而不仅仅是前一帧和当前帧。因为CN算法对许多图像序列都能有效跟踪,而且实时性好,所以该算法得到了学者们的广泛关注和重视。然而,CN算法一方面仅依据目标的CN颜色特征进行跟踪,另一方面仅根据当前帧的目标中心位置确定后一帧目标的搜索范围以及后一帧图像进行预处理的高斯滤波中心。由于这些缺陷会导致该算法在一些图像序列上会出现严重的目标跟偏或跟丢。为了了解当前跟踪算法和进一步提高CN算法的性能,本论文的主要工作包括:(1)对现有的目标跟踪算法进行了总结分类以及分析,并对CN算法原理进行了较为详细的研究分析。(2)由于CN算法中仅依据颜色特征进行跟踪,当图像序列中出现目标被遮挡或是背景颜色和目标颜色相近的情况下,该算法容易丢失目标。针对该问题,本文提出采用CN算法结合边缘提取算子获得颜色的边缘特征进行目标跟踪。计算机仿真实验结果表明,基于高斯拉普拉斯的CN算法能有效提高目标跟踪效果。(3)由于一方面CN算法中仅依据当前帧的目标中心位置确定后一帧目标的搜索范围,当图像序列中出现目标不在目标的搜索范围内的情况下,该算法容易丢失目标,另一方面CN算法中仅依据当前帧的目标中心位置确定后一帧图像进行预处理的高斯滤波中心。针对该问题,本文提出对当前帧的目标中心进行惯性漂移,接着以漂移后的目标中心位置来确定后一帧目标的搜索范围以及后一帧图像进行预处理的高斯滤波中心。实验结果表明,本文算法不仅优于CN算法,而且优于近年一些效果比较好的目标跟踪算法,有更高的跟踪精度,平均跟踪速度也达到了标准视频的要求。