目标跟踪是计算机视觉领域的一个重要分支，随着人们对于智能化的需求越来越大，以及政府机关出于公共安全等方面的考虑，智能监控正受到极大的关注。而目标跟踪由于其在智能监控等领域的巨大优势，吸引了国内外大批科研工作者的关注，自从Mean Shift算法被引入目标跟踪领域后，就因其计算量小、简单易实现的特点在实时监控领域得到了大量的应用。本文介绍了Mean-Shift算法的基本原理及其在目标跟踪中的应用，给后面提出的改进算法提供理论支持。同时针对传统Mean Shift算法无法很好地应付目标遮挡、旋转、非刚性形变，在复杂背景下的跟踪稳定性较差等问题，引入了主成分分析法和卡尔曼滤波，并提出了结合分块法的自适应多分块的改进方法。它主要利用了主成分分析法对窗口参数的更新能力以及适合多种特定目标的分块法，从而实现面对不同的目标使用不同的分块法，提高跟踪的鲁棒性。另外为了提高目标跟踪的稳定性，将自适应分块法与卡尔曼滤波相结合，起到去除多余的无效信息，平滑目标窗口的作用。由于引入了主成分分析法，这无疑增加了算法的计算量，丧失了Mean-Shift算法的计算量小的优势。为此，本文提出了三帧质位法的快速目标预测方法，故名思议，即利用过去三帧中目标的质心位置快速预测当前帧中目标的近似位置，旨在快速而准确地预测目标在图像中的初始迭代位置，从而减少Mean Shift算法在跟踪过程中的迭代次数，提高算法的实时性。最后通过实验验证了改进算法的有效性。