随着计算机技术的不断发展,高质量廉价视频采集设备的出现,以及自动视频分析需求的不断增加,基于视觉的目标跟踪在自动监控、智能交通系统、人机交互以及视觉导航等领域得到了广泛应用。虽然研究者们针对不同类型环境与不同类型目标的跟踪问题提出了多种基于视觉的目标跟踪算法,但是在实际应用中视频运动目标跟踪的跟踪仍然面临很多问题,如背景复杂、光照明暗变化、部分或者全部遮挡、目标表面的变化、目标运动加速等,这些因素都会导致目标跟踪的结果出现错误。因此,改进目标跟踪算法,提高算法的精确度、鲁棒性和实时性成为基于视频的运动目标跟踪系统研究的热点和主要难点。本文在对已有的经典目标跟踪算法进行研究与分析的基础上,提出了复杂环境下实现稳定跟踪的目标跟踪算法,该算法以时空上下文信息相结合为主要思路,论文的主要创新点如下:(1)针对在线学习跟踪算法中目标模型更新错误导致跟踪漂移的问题,提出了一种简单但高效的解决方案。在目标区域均匀采样点跟踪器,基于纹理描述对前后两帧跟踪器进行置信度评估并以此完成目标初步定位,由多维特征时空上下文模型输出目标位置置信图以完成目标精确定位同时结合置信图决定模型更新速率并给出了一种多尺度更新机制。(2)提出了一种全新的结合过分割的时空上下文目标跟踪算法,该算法是在中层视觉特征层面上,建立起结合过分割的时空上下文模型,并将目标位置的确定问题看作一个求解目标出现在某一位置的概率问题,即目标出现概率最大的位置为新一帧中的目标位置。