目标跟踪是计算机视觉的一个重要分支，融合了图像处理、模式识别、人工智能、自动控制以及计算机应用技术等相关领域的先进技术和研究成果。实现目标跟踪的关键在于完整地分割目标，合理、快速地提取特征和准确地识别目标，同时要考虑算法实现的时间，保证实时性。在复杂环境下对目标进行跟踪是非常困难的，仅仅依靠一种或少数几种识别手段很难准确地进行目标识别，必须尽可能利用多个目标属性、多种方法，进行目标综合识别和跟踪。 复杂场景中遮挡目标的跟踪一直是目标跟踪领域的困难问题。本文主要针对跟踪过程中的遮挡难题进行研究，详细论述了mean—shift、Kalman滤波、粒子滤波、交互式多模型等算法，在分析算法对遮挡处理的优缺点的基础上，对其进行综合有效地改进。论文的主要工作有： （1）提出了一种结合均值漂移和粒子滤波的跟踪算法：利用改进的均值漂移算法跟踪目标，根据目标搜索公式确定遮挡因子，判断遮挡程度；当目标被严重遮挡时，采用mean—shift筛选出权重粒子，建立更新模板，持续、稳健地跟踪目标。算法实时性强，克服了粒子滤波器的退化现象并有效缩短了计算时间，解决了跟踪过程中目标的部分遮挡和全遮挡问题。 （2）提出了一种改进的基于Kalman滤波和粒子滤波的交互式多模型跟踪算法：利用卡尔曼滤波匹配系统线性部分，粒子滤波匹配非线性部分，根据匹配深度来判断目标受遮挡的程度，采用迭代的多级粒子滤波方法进行重采样，并结合卡尔曼滤波更新模型概率，解决跟踪过程中的严重遮挡问题。改进算法提高了模型滤波速度和目标状态的估计精度，缩短了计算时间。