目标跟踪是计算机视觉领域和模式识别里面的热门课题之一,它在工业领域和国防领域都有着重要的应用前景,其中红外成像的目标跟踪在军事领域的应用范围更加广大。许多学者对红外成像的目标跟踪做了大量的研究,但是由于红外成像其本身的一些特性,红外目标跟踪仍旧存在许多未解决的问题。本论文主要围绕地面背景的红外目标跟踪算法展开了相关的研究工作。针对红外目标弱小,不方便手动选取跟踪窗口的问题,提出了基于可跟踪性的目标跟踪窗口选取算法。该算法能更方便地对目标的跟踪进行初始化,避免手动选取弱小目标引起的误差过大问题。针对红外图像中目标与背景对比度低、信噪比低的问题,提出了基于LSK特征的红外目标跟踪算法。该算法在贝叶斯框架下,采用LSK特征来描述红外目标,实时在线更新正样本库进一步增强了跟踪算法的鲁棒性,实验表明该算法是有效和稳健的。针对红外目标尺度发生变化的问题,提出了基于在线Ada Boost的变尺度红外目标跟踪算法。该算法以在线AdaBoost为理论基础,并且加入了基于样本匹配的尺度计算方法,用于计算目标的尺度变化。该算法具有以下几个特点:1)基于Ada Boost理论的在线学习功能使得目标跟踪能够适应目标的外观变化和部分遮挡;2)使用Haar特征表达的目标外观模型更适用于缺乏纹理特征的红外成像目标,使得目标的外观模型更鲁棒;3)基于样本匹配的尺度计算算法的加入,使得跟踪算法能够适应目标的尺度变化,对于尺度变化剧烈的红外目标跟踪效果更好。实验结果表明,基于在线AdaBoost的变尺度红外目标跟踪算法在多个不同地面背景下的红外目标跟踪中达到了较高的跟踪准确度,并且适应目标的尺度变化,该算法具有较高的实时性和鲁棒性,与其它算法对比具有明显的优势。