视觉跟踪技术属于计算机领域内的核心技术，它融合了图像处理、人工智能、模式识别等多个领域，并在我们日常生活之中有着广阔的应用。由于被跟踪目标的多样性和变化性，以及场景的复杂性和各种干扰的存在，使得对目标实时准确的跟踪就变得非常困难。针对这一难题，论文主要对复杂场景下的运动目标的跟踪及发生遮挡或旋转时的跟踪进行了研究。 　　本文详细介绍了图像处理和图像变换的相关知识，总结了运动目标检测的常用算法，并仔细分析了基于背景更新的差分法和基于高斯混合模型的背景差分法的原理。针对静态复杂场景下运动目标的跟踪，提出了基于概率估计PF算法的轮廓跟踪方法，对轮廓进行PF概率估计进行跟踪；由跟踪轮廓进行扩展结合了混合高斯背景模型和PF算法，通过GMM算法去除小的干扰噪声并准确提取前景目标，然后通过PF算法预估跟踪前景，实验结果证明该方法比单一的PF预估算法跟踪稳定性更强，而且本算法对目标部分遮挡情况下的跟踪有一定效果。 　　针对复杂场景下被跟踪目标的遮挡问题，结合了确定性跟踪和随机性跟踪方法，利用基于二值模式的特征检测，将多特征进行融合，并将随机特征粒子加入到分类器，通过约束条件来进行机器学习和训练。当被跟踪目标发生遮挡时，检测器和跟踪器利用运动目标的剩余信息进行学习并实时更新模板，增强了其抗干扰性和适应性的能力。实验结果表明当运动目标发生局部遮挡、小尺度变化、旋转或快速运动时的跟踪具有很好的鲁棒性，而且在动态场景下的跟踪效果明显。