目标跟踪技术是计算机视觉领域重点研究方向之一，广泛应用于民用、军用领域，包括电视监控、生物医学、人机交互、智能交通、武器制导等。近年来为了实现目标的准确实时跟踪，国内外专家学者也提出了众多经典算法，但由于实际应用中背景环境的复杂多变和越来越高的精度要求使得目标的准确实时跟踪仍极具挑战性。本文主要对均值漂移跟踪算法、基于Kalman预测的相关跟踪算法以及粒子滤波跟踪算法进行了分析研究，并提出了适应于实际应用的改进算法。对均值漂移算法进行研究，均值漂移算法是一种基于密度梯度的无参数估计方法，其迭代次数少计算量小但由于其收敛于局部极值点,故在某些背景干扰情况下不能保证跟踪的准确性。为了解决背景干扰对均值漂移算法的影响，本文对算法中目标模型与候选模型进行改进：第一步，去除模型中出现概率较小的特征值（此类特征一般为非目标的特征）；第二步，通过目标与背景的区分度引入权系数，对目标模型与候选模型不同的特征值进行加权处理：对于与背景区分度较小的特征值赋予小权重，而与背景区分度较大的特征值赋予大权重，从而抑制背景像素对特征值的影响。实验结果表明，改进算法不仅有效的抑制了干扰及背景像素的影响使跟踪结果更加准确，而且加快了算法的收敛速度，减少了迭代次数具有良好性能。对相关跟踪算法原理进行了介绍，然后重点研究了Kalman Filter原理以及基于Kalman预测的相关跟踪算法，最后在实验的基础上对该跟踪算法的优缺点进行了分析。对粒子滤波算法进行研究，同时针对粒子滤波跟踪算法计算量大难以满足实时性的问题以及基于Kalman预测的相关跟踪算法在非线性非高斯情况下跟踪结果不准确的缺陷,提出了粒子滤波及基于Kalman预测的相关跟踪相结合的算法。该方法首先利用基于Kalman预测相关算法进行跟踪得到候选目标，并计算目标模型与候选模型的匹配程度，若与目标模板的匹配度小于一定阈值，则转换跟踪方式利用粒子滤波进行跟踪来修正其跟踪结果，否则取基于Kalman预测相关跟踪的结果。同时采用“模板缓冲区法”对目标模型进行更新以保证跟踪的连续性，稳定性及准确性。实验结果表明：与粒子滤波算法相比该算法在保证跟踪精度的前提下，有效的节省了计算时间；与基于Kalman预测的相关跟踪算法相比，在条件复杂的情况下仍能保持跟踪准确性。