运动目标跟踪是计算机视觉研究领域的重要技术，已成为该领域的研究热点，在智能监控、机器人研究、医学领域和军事视觉制导等方面得到了广泛的应用。而要在目标快速移动、遮挡、形变、光线变化、背景相似及有实时性要求等条件下也能实现稳健的跟踪是学者们研究的焦点，也是当前在实际应用过程中一个急需解决的难题。根据研究的实际需要，本文重点对均值偏移（Mean Shift）和粒子滤波算法进行了深入的研究。Mean Shift跟踪算法具有计算量小、实时性强等特点，本质上是密度梯度上升的跟踪方法，通过有限次迭代运算获得目标位置以实现目标的跟踪。但该算法不适用于概率密度分布多峰的情况，若存在目标运动过快或者是被严重遮挡等情况，容易陷入局部极大，往往会导致跟踪失败，且无法恢复跟踪。本文在第三章中对Mean Shift算法在目标跟踪方面的理论基础以及应用作了详细的推导和描述，并针对基于颜色直方图特征的Mean Shift跟踪算法对光线变化、背景相似等过于敏感的问题，提出了一种基于梯度方向直方图特征的Mean Shift跟踪算法，通过大量实验证明该算法对光线变化和局部区域的微小形变不敏感，具有良好的跟踪性能；最后对基于梯度方向直方图特征的Mean Shift跟踪算法的优缺点做了实验分析。在20世纪90年代中后期出现了一种新的滤波算法——粒子滤波,在非线性、非高斯系统的预测中被广泛的应用。其基本思想是用随机样本(粒子)来描述概率分布，然后在观测的基础上，通过调节各个粒子的的位置和权值大小来近似实际概率分布，并以样本的均值作为系统的估计值，在短时丢失目标的情况下能自动恢复跟踪，在非线性、非高斯条件下也能实现稳定的跟踪。然而这种方法存在着粒子退化和计算量大等问题，应用在实时跟踪系统中有一定的局限性。本文在第四章中对粒子滤波算法在目标跟踪方面的的基本原理以及应用作了详细的推导和描述，并实现了基于颜色直方图特征的粒子滤波跟踪算法的跟踪实验。实验表明，与基于梯度方向直方图特征的MeanShift跟踪算法相比，粒子滤波跟踪算法具有很好的抗遮挡和抗干扰性，但由于计算量大而导致实时性较差。理论分析和实验证明，基于梯度方向直方图特征的Mean Shift跟踪算法实时性较好，但在遇到目标遮挡或运动过快时容易丢失目标；基于颜色特征的粒子滤波跟踪算法虽有较强的抗遮挡能力，但存在实时性差等问题。针对这些问题，本文在第五章中提出一种融合的跟踪方法，基本思路是：正常情况下采用基于目标梯度方向直方图特征的Mean Shift算法跟踪目标，当候选目标与目标模型的相似度小于设定阈值时，自动切换到粒子滤波跟踪算法进行后续的跟踪修正。实验结果显示本文算法能有效解决目标因遮挡或运动过快而导致的跟踪丢失问题，同时减轻了粒子的退化现象，提高了算法的实时性，并在图像对比度较低的情况下也能较好的跟踪目标。