目前,目标跟踪作为计算机视觉领域中重要的研究方向,涉及图像处理、模式识别、人工智能及自动控制等前沿学科理论,并在交通控制、治安管理、人机交互、智能车辆和医疗检测等领域都有广泛应用,对人类生活具有较高的实用价值。但在复杂跟踪场景中,跟踪系统的性能受各种因素的制约,如目标遮挡,光照变化,姿态多样性等。因此设计一个性能良好的跟踪器是很有挑战性的工作,具有重要的现实意义。本文针对复杂环境下的视频序列中多目标跟踪算法的不足,提出了改进的基于空间约束的跟踪算法。多数跟踪器往往只关注目标外观的显著性特征,而忽视了不同目标间的相互关系。由于目标间存在频繁的遮挡和有相似外观,很容易发生跟踪漂移。故本文方法融入目标间的空间相互位置信息,由外观匹配得分结合结构形变得分,通过配置得分最大化输出多目标的最佳位置配置,使跟踪器在多目标场景中能实现更准确的跟踪。该算法将每个运动目标视为一个部分,首先对目标区域进行梯度方向直方图(HOG)特征提取,然后结合支持向量机(SVM)分类器进行样本训练,得到每个目标的外观模型。基于可变形模板的原理,提出最小生成树(MST)模型来建立各个部分之间的联系,在有效表示目标空间结构约束的同时,使整个检测过程计算复杂度较小。在跟踪过程中,使用一个结构化的SVM算法框架(structured SVM)进行参数在线学习,实时更新所有目标的外观模型和这些目标间的结构约束,使跟踪器能够及时适应目标和环境的变化。最后通过实验结果表明,本文算法有效改善了对多目标的跟踪效果,提高了跟踪器的鲁棒性和准确性。