视觉跟踪技术是计算机视觉领域的一个备受关注的前沿课题，在机器人自主导航、军事制导、虚拟现实及医疗诊断等多方面有着广阔的应用前景。近年来，随着计算机技术和传感器技术的迅速发展，经过各国研究人员的努力和相关研究工作的广泛开展，相继提出了许多新理论和有效的跟踪算法，部分成果已在实际的工程中得到广泛的应用。然而，由于跟踪过程中复杂背景、光照变化、目标旋转、遮挡和运动随机性等因素的干扰，目标跟踪技术在理论和应用上仍然存在着许多不完善和尚待解决的问题，所以要开发出不受约束、实时的目标跟踪算法具有一定的学术价值和应用价值。　　本文在研究粒子滤波算法（Particle Filter）和均值偏移算法(Mean Shift)基础上，分别从模型的精确表征、遮挡的判断以及抗遮挡算法自身的改进三个方面进行本文的研究。　　(1)针对固定特征集表征目标模型不精确、难以适应动态场景变化的问题，本文通过将目标与背景视为二分类问题，将贝叶斯错误率作为衡量目标与背景图像特征分布鉴别性的度量函数，选择出鉴别性较大的特征对目标模型进行表征。该方法首先在第一帧中提取目标区域和背景区域的颜色、边缘和纹理特征分布函数；其次，通过贝叶斯错误率来度量每种特征的鉴别能力，选取鉴别性较大的两个特征来表征目标模型；最后，在Mean Shift框架下，使用Bhattacharyya系数度量不同帧中模型间的相似程度，并将选取特征模型的 Bhattacharyya系数作为各个特征的融合权重，同时引入模板更新策略进行模板的自适应更新，提高跟踪结果的准确性和鲁棒性。　　(2)针对传统目标跟踪算法对遮挡场景判断不准确、实时性不高的问题，本文通过对Bhattacharyya系数判断遮挡的深入分析，引入对搜索区域像素进行统计的最大后验概率系数作为遮挡场景中的判断因子，并且采用两种特征（颜色和纹理）描述模型。当判断遮挡场景出现时，及时使用两种特征的最大后验概率系数进行两种特征的加权融合，使目标模型能够适应遮挡场景，并且及时更新目标模板，避免模型的漂移。有效克服了Bhattacharyya系数忽略搜索区域像素的统计以及对周围背景类特征抑制能力弱的缺点，从而提高算法跟踪的准确性和实时性。　　(3)针对在遮挡场景下，粒子滤波算法内嵌入Mean Shift算法造成粒子的“过优化”，导致粒子陷入遮挡所在区域的局部极大值问题，本文通过分析两种算法在遮挡场景中的优缺点。综合考虑Mean Shift算法所需参数少、计算速度快以及粒子滤波算法不受先验分布及状态转移模型的限制等优点在重要性采样阶段，一部分粒子从建议分布函数中获取；另一部分粒子从Mean Shift预测的目标区域中采集。通过判断遮挡的程度，舍弃部分权值较小的粒子，并在重采样阶段进行Mean Shift的一步迭代，使粒子向目标所在区域的高似然区域移动，从而降低了表征目标模型的有效粒子数目。并且克服了Mean Shift算法抗遮挡不敏感和粒子滤波算法需要采用大量粒子来表征目标模型的不足，有效提高算法的准确性和实时性。