可视目标跟踪已经广泛应用于民用和军事的许多领域,如视频监控、机器人导航、图像压缩等,因此对可视目标跟踪的研究有着非常重要的意义。Mean Shift算法是一种非参数的密度梯度估计算法,近年来将其运用到目标跟踪上,并取得了较好的跟踪效果。本论文着重围绕对该算法的研究,提出了算法在跟踪应用中遇到的问题,以及相应的解决方法。主要工作有以下几点：首先,分析了Mean Shift算法的收敛性和收敛速度,提出了一种基于预测模型的收敛速度提高方法,改善了原算法的跟踪实时性。其次,从Mean Shift算法在实际应用中出现的问题发现,当目标部分被遮挡或有背景因素干扰时,跟踪精度会降低。将背景和目标本身进行加权,从原算法对目标模型的描述出发,将其加入到Mean Shift算法的数学模型表达式中,改善跟踪效果最后,通过对Mean Shift算法的原理分析发现,由于跟踪核窗宽不能实时改变,造成算法对于目标尺寸逐渐变化时的跟踪,效果不理想。通过对目标建立二值图像,利用NMI特征识别跟踪目标对象,结合提取的目标轮廓,对目标进行尺度定位；提出一种新的中心定位算法,得到每帧图像中更新目标的中心位置,利用Mean Shift迭代方法进行目标的空间定位和校正。本文算法将目标的空间定位和尺度定位分开,避开传统算法中仅利用色调直方图来定位目标的缺陷。由于Mean Shift算法对目标模型和候选目标模型的相似度判别效果好,改进的算法能够在保证精确度的同时,保持较好的实时性,弥补了传统Mean Shift框架下跟踪变尺度目标的不足。实验结果表明,该方法能在目标尺寸放大或缩小时选择合适的跟踪窗口,而且具有较强的跟踪抗干扰性