近二十年来，视觉目标跟踪技术一直是机器视觉领域的前沿课题，其根本任务是基于视觉信息在视频中逐帧估计目标的位置，进而可以对目标进行运动分析。因此，视觉目标跟踪技术在智能视频监控、人机交互、虚拟现实以及医学图像分析等领域有广泛的应用。许多优秀的目标跟踪算法已经被用于解决实际的跟踪问题，如分类相关滤波算法、均值漂移算法、光流法以及基于神经网络的跟踪算法等。但在实际应用中，仍然存在许多限制目标跟踪算法性能的因素，如相机抖动、成像模糊、目标与相机间的相对运动以及目标遮挡等。上述问题都会引起视频中目标的表观特征随时间产生不规律的变化，从而降低了跟踪算法匹配目标的精度。而且目标的已知信息通常是包含目标的单帧图像，有限的目标信息进一步增加了目标建模难度。其中，相对运动导致的目标尺度变化和环境遮挡是引起表观特征变化最主要的两种形式，是目标跟踪算法发展中亟待解决的主要问题。　　本文提出了一种基于像素点特征学习的目标跟踪算法，目标表观模型由局部和整体两个子表观模型组成。其中，局部表观模型是基于像素点特征和Adaboost提升算法训练的多感知机模型，整体表观模型是基于多感知机输出的目标灰度直方图特征。由于目标的形状一般是不规则的，因此采用矩形框标注的目标区域中通常存在部分像素点属于背景，即初始的训练样本集中存在部分错误正样本，降低了分类器训练的准确度。本文算法中，采用对比目标和背景颜色直方图分布特征的方法剔除目标中与背景特征相似的像素点，进而提高训练样本集的准确性和可分性。在跟踪阶段，首先应用多感知机模型对感兴趣区域的像素点分类，然后基于分类结果提取直方图特征，并应用均值漂移算法确定当前帧的目标中心位置。最后，根据尺度池中的预设系数提取不同尺度下候选区域的直方图特征，并基于巴氏距离选择与目标直方图相似度最高的尺度为当前帧的目标尺度估计。若前后两帧图像的目标直方图分布间巴氏距离大于预设阈值，则更新目标直方图模型。　　本文算法的主要优势在于像素点特征对尺度变化以及遮挡有着较强的鲁棒性，且每帧图像的搜索区域不受目标初始模板大小的限制。像素点分类的仿真实验表明基于颜色直方图对比可以较理想的筛选出目标像素点，像素点分类的仿真实验表明多感知机模型可以正确的分类绝大部分目标像素点，跟踪实验表明基于像素点分类的直方图模型相较于传统直方图模型在尺度变化和遮挡情况下具有更强的鲁棒性。