近年来,彩色纹理图像的分类及目标追踪是计算机视觉领域的研究热点之一。目前彩色纹理图像的分类还存在对光照变化鲁棒性不强、抗噪声能力弱、特征维度过高等问题;抗遮挡能力不强是很多目标追踪方法存在的问题之一,其将导致追踪过程中发生漂移,针对以上问题,开展了本文的研究。针对目前一些纹理图像分类方法存在对光照变化鲁棒性不强、抗噪声能力弱、特征维度过高等问题,提出将颜色特征与纹理特征进行共生,对彩色纹理图像进行分类的方法。先将图像转化到HSV颜色空间后,对H通道使用SLIOP(Simplified Local Intensity Order Pattern)方法提取特征,对S通道和V通道用CLBP(Completed Local Binary Pattern)方法提取特征,然后将提取到的特征进行串联共生,最后利用支持向量机对纹理图像进行分类。利用现在被广泛使用的一些数据库,将该分类方法与其他几类具有代表性的分类方法进行实验对比,分类的准确率和效率上,都有一定提升。在KTH-TIPS2b和CUReT数据库上,提出的方法分类准确率分别达到99.4%、99.6%。实验结果表明,本算法具有较强的旋转不变性、光照不变性以及一定的抗噪性。针对时空上下文方法(Spatio-Temporal Context,STC)在追踪时,抗遮挡能力不强,容易发生漂移的缺点,通过对目标被遮挡的类型进行判断,然后对不同的遮挡类型采用不同的模型更新策略加之以分块的权重置信图,使得目标被遮挡时,遮挡物信息不被更新到目标模型中。利用改进后的方法,在Visual Tracker Benchmark视频库上进行验证,实验表明改进的方法在对目标进行追踪时,较之原始STC方法有较大提升,抗遮挡性有显著提升,同时对光照变化也具有鲁棒性,也能满足实时性要求。