随着计算机技术的不断发展,计算机运算能力的飞速提高,利用计算机模拟实现人类的视觉功能成为目前计算机领域中最热门的研究课题之一。视频序列图像中的目标跟踪,即通过对序列图像中的目标进行检测、定位和跟踪获得目标的形状、位置、运动速度等属性,对掌握目标的状态变化、理解目标的行为目的以及更进一步基于视觉的应用任务具有重要意义。经过多年的研究,现有的目标跟踪技术仍然面临许多挑战：在确保满足目标跟踪快速性要求基础上,还须克服场景干扰、光照变化、目标位姿形状变化等干扰因素,提高目标跟踪定位的准确性。本文在对已有工作深入调研的基础上,深入探索多特征融合、精确目标轮廓提取、自适应模板更新等关键技术领域,创新性地提出了应对干扰的解决方法。主要研究内容如下：1.多特征融合的均值漂移目标跟踪。针对经典均值漂移目标跟踪算法采用的单一的颜色特征在目标跟踪过程中易受背景干扰,提出了一种将纹理特征与颜色特征相结合的改进均值漂移目标跟踪算法。首次提出特征联合相似度的概念,通过多种特征的融合更全面地对目标进行描述,提高了目标跟踪定位的抗干扰能力和准确性。2.利用先验区域信息的水平集目标分割方法。现有的图像分割方法通常是孤立的,单独对一幅图像进行分割,且当前流行的基于区域的水平集图像分割假定被分割图像是二分的,通过最大化子区域间的统计距离得到的分割结果往往不甚理想。针对这一缺陷,提出了一种利用先验区域信息的水平集图像分割方法,改善了图像分割的准确性。3.基于自适应更新非对称核函数的均值漂移目标跟踪。经典均值漂移跟踪算法中采用的对称核函数模板中包含了较多背景像素点,影响跟踪精确度和稳定性,而且序列图像中目标的外形轮廓常发生变化,针对此,提出了一种基于自适应更新非对称核函数的均值漂移目标跟踪算法,在跟踪过程中,模板自适应演化,从而提高跟踪的准确性和可靠性。深入的分析和充足的实验表明,本文提出方法的鲁棒性、准确性等方面的性能指标优于现有方法。