目标跟踪算法作为计算机视觉中的经典问题,过去几十年来激发了许多国内外研究学者的兴趣,目标跟踪算法也随之得到了突破性进展,广泛引用到了生活和工作当中。该技术历时几十年的发展,相继不断改进发展出了Kalman滤波、粒子滤波、Mean Shift算法等经典跟踪算法,其中Mean Shift跟踪算法作为单目标跟踪算法里最经典的算法,以其计算量小,且对目标发生边缘遮挡、旋转、变形等不敏感的优点广泛受到学者关注,但当跟踪过程中出现背景干扰和突变情况时,Mean Shift跟踪算法的缺点也是显而易见的。本文针对背景干扰情况提出基于显著性特征和ORB匹配改进的Mean Shift跟踪算法,同时针对在突变情况下无法实时跟踪的问题提出基于模板更新和线性预估改进的Mean Shift跟踪算法,能够在解决上述缺点的前提下实现对跟踪目标的实时准确跟踪。本文的主要研究内容分为如下三个方面:1、对图像进行预处理工作,并对Mean Shift跟踪算法的理论、数学模型、跟踪流程以及优缺点进行阐述,其中图像预处理工作由图像平滑去噪、颜色空间转化和颜色空间选择三部分组成。2、针对背景干扰下传统Mean Shift跟踪算法无法实时准确跟踪的问题,提出基于视觉显著性特征和ORB匹配改进的Mean Shift跟踪算法。首先对频率调谐MSSS显著性区域检测算法进行改进,改进后算法可以提取到更为显著的显著图,将显著图与Mean Shift跟踪算法提取到的反向投影图相结合进行后续跟踪。针对跟踪算法在相似背景下可能发生的目标丢生的问题,利用ORB特征点匹配算法构成目标寻找机制,通过Bhattacharyya系数判断跟踪目标是否丢失,进而判断是否启用目标寻找机制。通过对测试视频的跟踪效果和性能进行对比分析,改进后的算法在背景干扰下具有更好的鲁棒性,能够抑制相似背景的干扰。3、针对突变情况下传统Mean Shift跟踪算法无法实时准确跟踪的问题,基于视觉注意机制提出基于模板更新和线性预估的Mean Shift跟踪算法。首先引入模板更新机制,在原目标模板基础上引入背景模板,通过将目标模板和背景模板与设定的阈值进行比较来对干扰因素进行判定,并当需要模板更新时选择适宜的速度更新模板。当干扰因素判定发现目标受到遮挡时,引入线性预估方程对目标位置信息进行预测,有效解决目标在遮挡情况下跟踪丢失的问题。通过对测试视频的跟踪效果和性能进行对比分析,改进后的算法在突变情况下相较于传统算法具有更好的抗干扰能力。