目标跟踪是计算机视觉研究的热点之一,它在诸如人机交互、自动导航、虚拟现实、医学诊断、自动对焦等许多领域均具有广阔的应用前景。本文的主要工作在以下几个方面:第一,讨论了粒子滤波框架中计算概率观测函数的两种具体计算方法:集成学习方法和轮廓方法。在集成学习方法的主要概念是一组弱分类器构成构成强分类器并在获得新样本时不断更新弱分类器。在视频跟踪问题上,我们用集成学习方法在像素级别上对目标和背景进行分类,并在得到后一帧内容后,更新分类器。本文还讨论了集成学习方法的一些改进,包括用弱学习的方式对弱分类器进行更新。实验表明,改进后的集成学习方法能更好地适应目标和周围背景的变化。我们还提出了用轮廓特征计算观测概率函数的方法。该方法能对具有固定轮廓的目标有效的进行跟踪,即便在发生光照变化和严重遮挡的情形下,仍能保持很高的正确性。第二,信任传播算法及其在时序环境中在粒子滤波算法上的具体实现。我们将信任传播算法分别应用于加强单个目标跟踪效果和降低多个目标跟踪中的干扰因素。首先,我们将信任传播算法用来联合跟踪目标的多个不同特征。实验表明用信任传播算法联合多个特征的跟踪算法明显优于只使用单个特征的跟踪算法。然后,我们将物理上的磁性和惯性概念引入到信任传播算法框架中,提出磁惯性信任传播算法。实验表明该算法对多目标跟踪时发生互相遮挡十分鲁棒。