目标跟踪是计算机视觉的重要分支和研究热点。目前,目标跟踪已经应用到了许多领域,比如:视频监控、智能监控、无人机以及人脸识别等领域。目标跟踪,是指对数字图像序列中特定运动目标,通过检测、提取、识别和跟踪的一系列操作,来获得指定运动目标的各种运动衡量参数,比如位置、运动轨迹等,以便对跟踪数据进行处理与分析,从而实现对指定运动目标的行为理解。目标跟踪算法仍然有许多问题亟待解决,比如,实时应用对于目标跟踪的速度要求,跟踪过程中对遮挡的检测。本文基于这些存在的问题进行研究,并取得了以下的研究成果:首先,采用方向梯度直方图作为跟踪算法的特征。由于算法是对整个数字图像进行采样和特征提取,但是其中大量的数据是无效数据,与被跟踪目标的关系并不紧密。因此,本文提出了对图像的局部采样策略,根据已预测的目标位置,按照一定比例扩大采样的矩形区域来采样图像,使用这种策略减少了算法计算量。其次,由于采集到的方向梯度直方图的特征矩阵为三维数据,在软件的处理中循环的处理计算而降低了算法速度。为此,提出了关于特征矩阵数据的预处理,也就是对图像特征矩阵进行降维,从而降低跟踪算法的计算复杂度,进一步提高跟踪算法的处理速度。主要的操作是将三维特征矩阵数据转换为二维数据,从而降低运算的循环层数,实现跟踪速度的提高,同时保证特征间的数据空间关系。然后,为了提高对目标遮挡的检测效率并减少被跟踪目标的丢失,提出了二次检测的策略。所谓二次检测,是指在已发生遮挡的情况下,对再次发生遮挡的图像进行二次检测。当在图像序列中首次检测到遮挡发生时,跟踪检测器在更新遮挡区域特征的同时,存储一组备用特征信息。对接下来的图像序列,当第一次使用跟踪检测器检测到遮挡发生时,那么使用备用信息进行二次检测,确认是发生遮挡还是目标位置发生了变化。使用这种策略是为了防止因目标遮挡的检测失误引起目标的丢失。接下来,通过标准测试平台,将本文提出的算法与多种主流的跟踪算法进行对比实验。实验表明,本文提出的算法在跟踪速度方面远远高于同类算法,同时在一些序列中关于遮挡的检测效率也取得了一些进步。最后,对本文进行归纳总结,并结合实际应用的需求,提出了改进的方向。