本文所研究的目标跟踪技术是计算机视觉的一个重要方面,尤其在最近二十年受到越来越多的关注,目标跟踪技术可以用于民用和军事的多个方面,降低人力物力的需求,应用前景广阔。本文总结了目标跟踪领域的经典理论和算法,提出了针对目标跟踪技术不同方面的改进算法,通过大量实验证明了算法的有效性,所提出的改进算法对于复杂场景的处理已经超越了部分最新的算法。为了实现图像中的前景背景分割,本文提出了Boosted颜色软分割算法,采用了基于Boosting的框架,迭代的挑选具有较强分辨率的样本,用于图像中彩色像素的分类,实现强化前景和背景差异的目的,与传统的颜色软分割相比,效果有较为明显的提升。此外,为了进一步强化前景和背景的差异,本文将Boosted颜色软分割算法与带参考信号的独立成分分析算法结合,设计了合适的融合策略,提高了跟踪的准确度。本文将在目标分类领域取得显著效果的“特征包”(bag of features)算法引入到目标跟踪中。该算法能够在大量训练样本中发现最有代表性的部分样本特征,将其用于建模和后续的决策。尽管如此,本文并没有不加修改的使用该算法,而是吸收了其主要思想,在粒子滤波算法的框架下提出了适合目标跟踪的改进算法,并加入了合适的更新策略和两种特征的协作方式,提升了跟踪效果。由于考虑到目标的局部信息,本文的算法对于遮挡有明显的鲁棒性。通过大量的实验数据表明,本文提出的运动目标检测与跟踪算法较以往的经典算法相比在性能上有了很大的提升,具有更强的鲁棒性。