近年来,随着计算机和图像处理技术的不断发展,目标跟踪成为了一种交叉性的前沿技术,在安防监控、机器人、遥感技术、军事等领域,有着非常深远的应用前景和实用价值,而机器视觉是实现目标跟踪的关键性技术,即利用机器来模拟人眼系统对现实中的视觉信息进行捕捉,并对捕捉到的信息进行跟踪定位。本文主要研究了三方面的内容,第一,针对目标跟踪的需求进行分析,建立了以MF-DSC03串口摄像机为核心的机器视觉系统,作为采集目标帧图像的硬件平台;第二,针对目前目标跟踪技术中采用单一特征对目标进行描述而导致的跟踪错误或者失败的问题,本文采用颜色和轮廓特征融合的方式对目标进行描述,融合后的特征能够克服单一特征对目标描述不全面的问题。并在前期研究的基础上,提出了基于粒子滤波与Mean Shift的特征融合算法,该算法在粒子重采样前,根据每个粒子状态与目标当前状态的距离,结合Mean Shift算法来迭代优化融合抑制噪声,使得粒子收敛于概率密度函数的局部最大值,最大程度的增加粒子的利用率。在特征融合阶段,采取自适应的融合策略将颜色和轮廓特征进行融合,通过对各个特征相似性的度量,赋予不同的权重系数进行融合,不仅降低了系统的计算量,而且提高了其可靠性。为了防止目标粒子由于滤波过程导致的发散问题,本文在重采样之前采取核函数来对权值进行加权调整,以保证大权值粒子的数量,有效改善了重采样过程中出现的滤波发散现象,最大幅度的提高了目标跟踪的准确性和鲁棒性;第三,针对Mean Shift算法窗口不变引起的跟踪漂移现象,本文采用了一种尺度变化的跟踪算法,在目标的跟踪过程中根据自身的尺度做出自适应的调整,从而有效解决了上述问题。最后,对本文提出的两种方法进行了验证,针对第一种算法,设置了三组对比实验,包括部分遮挡的行人跟踪实验、光照变化的跟踪实验和复杂场景下的跟踪实验,并以部分遮挡实验为例,对该算法的在耗时、误差性能方面进行了分析,结果表明本文算法的有效性和准确性;针对第二种算法,设置了两组对比实验,结果表明该算法能有效改善Mean Shift算法的尺度固定引起的误差问题。本文共有图50幅,表8个,参考文献59篇。