目标跟踪技术是视觉领域研究中的热点问题,广泛应用于视频监控、生物医学、导航制导等领域。而目标运动过程中自身的形变、复杂背景的干扰以及各类噪声、遮挡、光照等因素都会对目标跟踪产生影响。在复杂的现实环境下,有针对性地提高跟踪算法的准确性、鲁棒性与实时性是目标跟踪研究的重点。本文就均值偏移算法和粒子滤波算法在目标跟踪中应用,展开了如下研究:对于均值偏移算法,针对目标尺度变化、遮挡及光线变化等情况提出了相应的改进方法。采取带宽自适应的改进策略,有效地实现了对尺度变化目标的跟踪;在LMS滤波和Kalman预测的基础上,提出自适应滤波Mean Shift算法,增强了算法在目标形变和遮挡情况下的鲁棒性;引入基于HSV颜色模型的CamShift算法,采用运动预测对搜索策略进行改进,提高了算法应对光线变化和目标遮挡等情况的适应性。针对粒子滤波算法,采用相关跟踪和多特征融合的方法对其进行优化改进。采用相关跟踪策略,实现了基于粒子滤波的相关跟踪方法,验证了粒子滤波算法的鲁棒性;融合颜色特征和纹理特征建立观测模型,同时在系统动态模型中加入尺度变量,提出了一种多特征融合的粒子滤波算法,提高了跟踪算法的鲁棒性。对均值偏移算法和粒子滤波算法进行融合,在此基础上对搜索策略进行改进。利用均值偏移算法的聚类作用,将粒子样本收敛在更接近目标的真实位置的区域,把均值偏移理论嵌入到粒子滤波算法中以实现对目标的跟踪;采用Bhattacharyya系数衡量目标跟踪状况,结合搜索策略跟踪目标,对均值偏移与粒子滤波融合算法进行相应的改进,改善了算法的跟踪性能。