视觉目标跟踪可为计算机视觉的高级任务(如图像理解、行为分析等)提供技术支撑,因此一直都是计算机视觉中最活跃的研究领域之一,被广泛应用于增强现实、智能视频监控、目标识别、医学诊断、视觉导航和空间监控等领域。同时,近年来视频传感器的广泛应用以及测试计量技术及仪器领域中多传感器融合的研究,催生了对视频传感器输出数据自动处理方面的需求,这对视觉目标跟踪技术的研究也起到了推动作用。虽然经过长期深入研究后,人们提出了许多算法来解决不同应用场景下的视频跟踪问题,但在实际环境中的应用仍旧存在诸多难点。比如,目标的表观会随着外界的背景拥簇、光照变化、其它物体的遮挡以及相对运动造成的运动模糊而发生改变;同时,视频中的目标在运动过程中自身还可能发生形变、旋转和缩放等各种不可预知的复杂变化。这使得在实际环境中构建具有普适性的、精准稳定的鲁棒性视觉目标跟踪算法仍然是个极大的挑战。本文首先通过改进视觉跟踪算法中的目标表观建模方法,改善了复杂环境下的单视觉目标的跟踪效果。然后,通过缩减计算半径和Mean Shift预定位的方法,在不降低跟踪准确性的前提下提升了算法的跟踪速度。本论文完成了如下研究工作:在研究Mean Shift视觉目标跟踪算法和Haar特征的基础上,通过对Haar特征值的规整化以及对数量化,改变了Haar特征值在各量化区间的分布。再进一步利用亮度和颜色分离表示的HSI颜色空间,提出了Haar特征和颜色特征联合构建目标表观模型的方法。从而改善了目标被相似物遮挡以及光照变化时Mean Shift视觉目标跟踪算法的跟踪效果。在研究基于局部敏感直方图的视觉目标跟踪算法的基础上,首先对局部敏感直方图快速算法的计算缺陷进行了说明;其次,通过在原有快速算法中的?45?方向上引入L2范数度量的像素点间距离,修正了原有快速算法在?45?方向上的计算缺陷,得到了局部敏感直方图快速算法的改进算法;再次,利用L2范数与L1范数在?45?方向上对像素点间距离度量的差异性,得到了ELSH的次优权重系数的自适应生成方法;最后,通过引入Bhattacharyya系数对模板间相似性进行判定,修正了原始算法中通过比较特定位置来判断模板间相似性的不足。最终,提出的基于8邻域局部敏感直方图的视觉目标跟踪算法,对亮度变化的目标的跟踪效果要优于原始视觉目标跟踪算法下的跟踪效果。通过缩减8邻域局部敏感直方图的计算半径,降低了基于8邻域局部敏感直方图视觉目标跟踪算法的跟踪耗时。通过采用Mean Shift预定位的方法减缓了随之而来的模版间相似性下降的问题。利用基于局部敏感直方图视觉跟踪算法的更新模块,对Mean Shift中的目标模版进行更新。最终,提出了基于预定位8邻域局部敏感直方图的视觉目标跟踪算法。其在不降低跟踪效果的前提下,有效降低了基于8邻域局部敏感直方图视觉跟踪算法的跟踪耗时。对多组有针对性的视频数据的测试表明,本文提出的跟踪方法在处理光照变化、遮挡、运动模糊和相似性背景等方面都表现出了较好的性能。