物体跟踪是计算机视觉领域的重要研究方向之一,其研究成果已被广泛应用于视频监控、人机交互和视频压缩编码等多个研究领域,具有重大研究价值。但由于物体跟踪算法在真实的跟踪场景中不可避免地会遇到环境光照变化、物体尺度变化、物体被遮挡和物体旋转等多种干扰因素,较难适应广泛的应用,如何提高跟踪算法的跟踪准确率和鲁棒性仍是该领域的难题之一。本文重点对跟踪领域中的物体表征模型和物体运动预估两方面进行了研究,分别提出了基于多尺度多特征模板集的跟踪算法和基于自适应动态模型的跟踪算法。在物体表征模型方面,本文首先提出了基于多尺度多特征模板集的跟踪算法。该算法使用一组三层四叉树结构的模板集来描述待跟踪物体,以综合利用物体的高层、中间层和底层的全部视觉信息。模板集中每一个模板均表示物体的一部分,对于每个模板所表示的区域,本算法均会对其提取多种视觉特征,从而得到物体的纹理信息、颜色信息、强度信息和边缘信息等视觉描述。本文还提出了一种基于信息映射原理的生成式学习算法,通过最大化目标物体的潜在概率分布与跟踪背景的概率分布的差异,以确定模板集中每个模板的模板权值以及其中不同特征的特征权值。实验结果表明,本文提出的多尺度多特征模板集表征模型在用于跟踪算法后,可以提高算法的跟踪准确率,同时在嘈杂背景、物体旋转和运动模糊等干扰因素下具有较高的鲁棒性。本算法的跟踪准确率在现有最全面的跟踪数据集上取得了最好值,比CVPR 2012中提出的多种跟踪算法有0.7至7.2个百分点的准确率提升。在物体运动预估方面,本文提出了基于自适应动态模型的跟踪算法。为提高跟踪算法运动预估环节的准确率和鲁棒性,本算法在一阶粒子滤波模型的基础上,引入了一阶动态预估模型的自适应退化算法,退化后的预估模型采用随机漫步模型。算法会根据一阶动态模型的预测准确率,自适应的确定模型的退化程度,以及两种预估模型的相关参数。其中模型的退化程度由一阶动态模型和随机漫步模型中各包含多少粒子来体现,而自适应改变的参数主要是两种系统中演化噪声的方差值。实验结果表明,本文提出的自适应动态模型在用于跟踪算法后,比传统的一阶动态模型具有更高的准确率和抗干扰能力。在将该运动预估模型和本文提出的多尺度多特征模板集物体表征模型进行结合后,可提高跟踪算法的跟踪准确率(比单纯的一阶动态模型提高6.6%),且相比金字塔查找算法具有更高的物体检测计算效率。