视觉注意机制是以认知学、神经心理学等相关研究领域的成果为基础，运用数学方法建立感知模型，力图实现对生物视觉系统的模拟。本文的主要工作是针对视频序列中跟踪算法会受背景条件限制，从而影响跟踪效果的问题，引入视觉注意模型，将Itti模型与Mean-Shift算法结合，完成了基于运动选择注意的目标跟踪系统的开发。主要工作内容如下：首先，在分析了有关目标跟踪算法与视觉注意模型的基础上，着重对Mean-Shift算法进行了研究，虽然此算法计算量小，但在复杂背景下跟踪的稳定性不高，为此引入Itti模型，通过自动寻找到的感兴趣区域弥补Mean-Shift算法的不稳定性，从而解决跟踪中的难点。其次，融合运动特征和权值系数对Itti模型进行了改进。经典的Itti模型只考虑到了颜色、亮度、朝向特征，而人类视觉感知系统关注的输入信息中并不局限于以上三种，在目标跟踪领域，运动特征是一类与时间相关联的视觉刺激，是生物感知目标的重要信息。因此，将运动特征引入到Itti模型中，并考虑在不同场景下，各个特征对引起感知系统注意的贡献不同，引入特征权重系数来衡量各特征对注意到目标的贡献大小，以适应不同场景的需要。最后，提出采用sift特征匹配算法来实现基于改进的Itti模型与Mean-Shift算法相结合。在跟踪过程中，利用Mean-Shift算法搜索当前帧中目标所在的区域与Itti模型找到的当前帧中感兴趣区域进行sift特征点比较，若满足匹配成功条件，目标最终位置就是Mean-Shift算法确定的位置。相反，则将Itti模型找到的区域与初始帧的目标区域进行比较，匹配成功则终止匹配，否则通过注意转移机制找到下一感兴趣区域继续匹配，直到符合条件为止，目标最终位置则由Itti模型确定。相关的结果表明了所提方法的有效性。