复杂背景下的运动目标跟踪，是计算机视觉领域中一项极其重要的研究内容。目前，关于运动目标的跟踪已经有了很多优秀的研究成果，但由于背景的复杂性、目标外观变化的多样性及遮挡的发生，导致复杂背境下，无论采用任何单一跟踪算法，都不能取得较好的效果。因此，将多种跟踪算法进行融合，取长补短，发挥各自的优点，实现复杂环境下的目标跟踪是一个必然趋势。　　针对这一现状，本文采用基于多模式融合的跟踪算法，从特征层、匹配层及决策层三个方面着手，提出了有效的解决方法。主要研究内容包括:　　(1)特征层融合。在传统的MeanShift算法框架下，将图像的颜色特征、纹理特征以及边缘特征进行融合。根据各特征在当前场景下对目标与背景区分能力的不同，在总相似性度量中自适应地调节各特征信息的权重。该融合策略能充分发挥各个特征的优点，使得对目标模型的描述更加充分。实验证明，基于多特征融合的运动目标跟踪算法相比于传统的仅采用单一颜色特征的MeanShift算法，在稳定性方面有了较大的改善。　　(2)匹配层融合。将NCC算法、MeanShift算法及Kalman滤波算法作为基础算法，提出了一种基于最小总均方误差的多算法融合的运动目标跟踪算法。该算法利用Kalman滤波算法的预测功能缩小搜索范围，提高了算法的实时性;无遮挡或部分遮挡时，结合NCC算法和MeanShift算法的跟踪结果及Kalman滤波共同确定最终的目标位置;严重遮挡时，采用Kalman实现目标轨迹的预测。实验证明，该算法在跟踪稳定性方面，优于任意单一模式的跟踪算法，同时也满足实时性的要求。　　(3)决策层融合。遮挡和形变是运动目标跟踪中最常遇到的问题。对于遮挡情况，可利用剩余的可见信息继续跟踪或轨迹预测的方法来解决;对于形变问题，可通过模板更新来解决。但是，若将遮挡误认为形变而进行模板更新，会在更新后的模板中引入遮挡物信息，从而导致跟踪失败。针对这种情况，本文提出了一种基于最小风险决策融合的策略，用于区分遮挡和形变两种情况，同时采用一种融合灰度信息及梯度信息的MeanShift算法，使得目标模型对光照变化、姿态改变等情况均不敏感。实验证明，该算法的跟踪效果更加精确稳定。