计算机视觉既是工程领域，也是科学领域中的一个富有挑战性的重要研究课题，而视频中运动目标的跟踪正是计算机视觉的重要组成部分。视频运动目标跟踪融合了军事和民用等许多领域的先进技术，其中包括图像处理、人工智能、模式识别、自动控制、医疗诊断等，它在军事视觉制导、机器人视觉导航、安全监测、公共场景监控、智能交通等许多方面都有广泛的应用，这也使得国内外许多研究人员一直致力于该项技术的研究。但由于受到光照变化、噪声、遮挡、同色等诸多因素的影响，现有的算法在实际应用中面临着许多问题，因此，研究和设计可靠的、通用的运动目标跟踪方法仍然具有极大的挑战性。本文在分析运动目标跟踪技术发展现状的基础上，研究了运动目标检测的方法，对帧差分法、背景差分法、光流法这几种目前常用的算法进行了对比，并深入研究了帧差分法中的三帧差分法。通过研究提出了一种改进的自动运动目标检测分割方法，实验结果证明此方法可以有效地检测到运动目标，为后续的跟踪系统提供目标源。本文还对运动目标跟踪的基本技术进行了研究，包括经典的均值偏移（MeanShift）算法、连续自适应均值偏移（Continuously Adaptive Meanshift，CamShift）算法，并对这两种算法进行了详细的推导以及优缺点分析。通过仿真实验证明，在MeanShift基础上改进的CamShift算法具有更好的跟踪效果。同时还研究了Kalman滤波和扩展卡尔曼滤波（EKF）的基本原理，分析了这类滤波器如何实现目标递推的方法及其自回归数据处理算法，并应用于改进和提高传统目标跟踪算法的准确性。通过对CamShift运动目标跟踪算法的研究，发现该算法在目标遭遇严重遮挡或受到大面积同色背景干扰时会出现跟踪丢失的情况，针对该算法不足之处，本文提出了一种基于自适应Kalman滤波的改进的CamShift运动目标跟踪算法，以达到解决目标跟踪丢失的问题。上述方法通过三帧差分法检测分割出待跟踪的目标，获取其在视频中的位置及颜色信息，根据位置信息利用Kalman滤波器估计出每一帧待跟踪目标的起始迭代位置，再利用CamShift算法迭代收敛后得到最终的待跟踪目标的位置，并将迭代结果作为测量值传递给Kalman滤波器进行下一次的位置估计。针对目标会遭遇严重遮挡或受到大面积同色背景干扰的问题，本文提出了自适应因子，根据被干扰的程度，动态调节Kalman滤波器的参数，从而达到改进后的跟踪算法仍然具有对运动目标进行准确跟踪的能力。实验结果证明，本算法相对于传统的目标跟踪算法有明显的改进，在目标遭遇严重遮挡或受到大面积同色背景干扰时，仍然能对运动目标进行准确、连续的跟踪，提高了目标跟踪算法的准确性和鲁棒性。