视觉是人类获取外部信息的最重要的途径之一。随着机器学习技术的持续飞速发展,计算机视觉在军事领域、视频监控、交通安全、人机交互、体育运动等领域发挥着越来越重要的作用。计算机视觉发展的最终目的是使计算机能够拥有人类的眼睛所拥有的所有功能,并结合计算机本身的一些优势来辅助人类。而目标跟踪作为计算机视觉一个重要的研究方向,吸引了大量的学者对其进行研究。本文首先将目标跟踪的流程拆分成四个子模块:特征提取、观测模型、运动模型和模型更新,并对各个模块分别进行了详细的介绍,之后介绍了Struck跟踪算法和测试数据库TB。通过对Struck跟踪算法的分析,本文尝试对它的特征提取和运动模型两个模块进行改进。分别采用不同的特征提取和运动模型方法替换Struck跟踪算法中相应模块进行仿真实验,并分析与比较了实验结果。本文具体研究内容如下:(1)首先介绍了几种常用的特征提取算法和特征融合方法,将总计6种特征提取算法代入Struck跟踪算法的特征提取模块进行了仿真实验并对实验结果进行了比较与分析。结果表明各种特征提取方法各有优劣,分别适合应对不同的场景。特征融合算法亦在某些情况下能有互补的效果取得比单特征更好的算法性能。(2)在之前实验的基础上,针对Struck跟踪算法在运动模型模块使用的滑动窗搜索算法无法对跟踪目标的尺寸变化发生响应且往往导致跟踪失败的情况,本文提出了自适应隔帧多尺寸滑动窗搜索算法以解决了跟踪过程中对目标尺寸变化的响应问题。仿真实验中,基于前文实验中综合性能最好的Haar特征,在运动模型部分依次采用逐帧、隔N帧及自适应隔帧的多尺寸滑动窗搜索策略,并与经典Struck算法及粒子滤波Struck算法进行对比。实验结果的定性与定量分析表明了提出算法的有效性与鲁棒性。最后再对将6种特征和2种运动模型两两组合进行实验,得出结论,综合性能最好的跟踪算法是基于Haar特征和自适应隔帧多尺寸滑动窗的Struck跟踪算法。