均值平移算法是一种非参数的密度梯度估计算法，最初被用于模式识别领域中的聚类分析，近年来被广泛应用于计算机视觉领域：如图像分割、平滑、滤波、边缘提取、目标跟踪等等。 本文介绍了均值平移方法的理论知识，揭示了均值平移方法在本质上是一种牛顿法或高斯-牛顿法。并利用其求解密度函数的最大值的思想，把它应用到函数优化领域，从而形成一种新的优化算法。 针对基于均值平移的目标跟踪算法中存在的缺陷如：不能很好地跟踪快速运动的目标，缺少必要的目标模型更新，无法解决跟踪过程中出现的目标遮挡问题等，本文提出了将卡尔曼滤波器与基于均值平移的目标跟踪算法相融合的扩展算法。为了跟踪快速运动的目标，首先对目标运动模型进行建模，并运用卡尔曼滤波器对目标在下一帧中的状态进行预测，并将此预测值作为均值平移算法搜索目标的起始点。为了解决目标被遮挡的问题，本文提出了两种目标模型更新方法以适应跟踪过程中目标的表象变化，然后提出一种基于卡尔曼滤波器残差的分块检测算法来检测目标被遮挡的程度，并将目标遮挡分为两类：部分遮挡和完全遮挡。对于部分遮挡情况，不需作任何处理，依靠跟踪算法本身对遮挡的不敏感性即可克服，对于完全遮挡情况，本文提出了一种鲁棒的目标搜索算法来找回目标。 最后对于跟踪算法中的其它问题如跟踪目标的旋转角度，跟踪目标的尺寸变化等也列出具有代表性的解决算法，并分析了它们各自的优缺点及改进的方向。