目标跟踪技术广泛应用于军事、安防、交通监控等领域。如何在视频序列中对感兴趣目标进行有效跟踪,是计算机视觉中一个极具挑战性的课题。近年来,通过研究人员的不懈努力,提出了很多经典的跟踪算法,解决了很多目标跟踪方面的棘手问题,但是目前的各种算法都是在某种针对性的环境或目标条件下有效,缺乏通用性。而且由于被跟踪目标本身特征的多样性、所处环境的复杂性,更是使得目标跟踪技术在实际应用中困难重重。论文首先讨论了经典算法之一的相关跟踪方法,尤其着重研究了MCD方法和SSDA方法,并在此基础上提出了带有自适应模板更新功能的快速SSDA算法,解决了相关跟踪在实时性方面的缺点,以及目标形变问题的影响。其次研究了经典的Mean shift算法,并在此传统算法的基础上,探索了几种改进方法。其中将Kalman预测器引入跟踪算法,解决了遮挡问题和相似干扰物问题。而将HSV颜色模型作为特征引入跟踪算法,解决了光照变化问题对跟踪造成的影响。最后讨论了基于贝叶斯估计的粒子滤波器算法,研究了其在目标跟踪中的应用问题,通过实验总结了其性能特点。并结合Mean shift算法和粒子滤波器算法的优点,提出了基于Mean shift和粒子滤波器的综合算法。通过度量因子自适应切换Mean shift算法和粒子滤波算法,这样相对于Mean shift算法,增强了算法的鲁棒性,而相对于传统的粒子滤波器算法,增强了其实时性。