随着社会的发展,人们对安全的需求日益增长,使得视频监控系统遍布于社会生活的各种场合。在分布广泛的摄像机监控网络中,试图通过人工的方式识别可疑目标并实现连续跟踪显得不切实际。在社会需求的推动下,目标跟踪与交接技术不断被人们研究。针对目标跟踪与交接存在的光照变化、目标形变、遮挡等情况,大量的目标跟踪与交接方法被不同的学者提出。在目标跟踪领域,基于在线提升的目标跟踪将跟踪看成目标和背景的分类问题,而基于相关滤波器的目标跟踪则利用相关性实现目标跟踪,其中最小平方误差和输出滤波器(Minimum Output Sum of Squared Error Filter)与核相关滤波器(Kernelized Correlation Filter)是两种典型的滤波器模型。本文首先研究基于在线提升的目标跟踪以及基于MOSSE滤波器的目标跟踪,然后针对核相关滤波的缺陷提出改进的方法。在MOSSE滤波器方面,原有的基于灰度模板的MOSSE滤波器被研究,然后将灰度特征改为HOG特征,提出了基于HOG特征的MOSSE滤波器并实现目标跟踪。在核相关滤波(KCF)方面,其跟踪性能受以下因素影响而变差:1)由于核相关滤波依赖样本的循环性,而目标形变、旋转等将破坏循环性;2)当目标快速运动或发生遮挡时,实际跟踪的目标将不包含于循环移位构成的候选目标集合。本文针对上述因素,引入加权HSV直方图重检测策略,并应用一种有效的尺度估计方法,改进了原有的核相关滤波的跟踪性能。最后,在公开的数据集OTB50和VOT2014上测试了本文改进方法的有效性。测试结果表明,本文改进的方法在OPE、TRE和SRE上的评估结果均优于原有的KCF目标跟踪方法。在目标交接领域,基于目标外观模型与基于目标外观模型和时空约束关系的混合模型的目标交接是研究的重要方向。其中,基于目标外观模型的目标交接又可称为目标再确认。在实际环境中,大量的摄像机离散地分布于各种关键位置,但仍然存在诸多监控盲区,即构成无重叠视域。由于摄像机视域之外的区域往往范围较大且场景复杂,时空约束关系存在较大的不确定性。另外,不同监控网络的时空约束关系存在差异。因此,基于混合模型的目标交接难以具备普适性。在基于目标外观模型的目标交接中,通过学习目标模型或度量函数的方法需要训练样本同样难以具备普适性。因此,本文研究目标的特征描述来建立目标模型并使用距离度量函数计算两个目标之间的距离来实现无重叠视域的摄像机之间的目标交接,以实现目标在监控网络范围内的连续跟踪。在本文的研究中,对数空间直方图、协方差描述子和分层高斯描述子(GOG特征)被联合用于建立目标模型。在目标模型建立与识别的过程中,行人目标根据其外观特点被分割成头部、躯干和腿部以实现分块特征描述,然后分块距离加权求和的方式被用于计算行人之间的距离,最终根据行人之间的距离识别不同摄像机下的相同行人。在数据集VIPeR上,本文提出的行人目标交接方法的有效性得到了验证。实验结果表明,相比于SDALF方法和ELF方法,本文提出的方法取得了更高的识别率。