运动人体跟踪技术是计算机视觉的一个重要研究领域,近年来受到广泛关注。虽然国内外已经提出了许多跟踪方法,但是由于跟踪场景复杂,存在光照突变、目标姿态变化、遮挡、目标与背景相似等情况,现有算法仍然难以有效跟踪目标。本文针对上述难点,以粒子滤波为框架,提出了两种单人体跟踪算法,主要研究工作如下：(1)针对目标遮挡、目标运动出视场和光照突变时的跟踪不稳定问题,提出了基于目标分割和时空相似度的单目标跟踪方法。该方法根据人体在运动时各部分的稳定程度不同,将人体分成多个子块,并根据子块在不同空间域和时间域上的判别能力不同,形成鲁棒性更好的相似度度量准则。考虑到阴影区与非阴影区光照差异很大,导致目标跟踪失败的问题,本文加入阴影检测与去除算法,来消除阴影对目标跟踪的影响。(2)针对传统跟踪算法提取的目标特征存在鲁棒性较差的问题,提出基于深度学习的单目标跟踪方法。该方法以深度学习结构为基础,通过将深度学习检测结果和LK跟踪结果相结合,并使用PN学习实时修正叠层自动编码机的参数,避免了深度学习可能出现检测错误,导致目标模型更新错误的问题,提高了深度网络的鲁棒性。通过多组试验,验证了本文提出的两种跟踪方法能够在目标遮挡、目标短暂运动出视场、目标与背景相似等情况下,均能持续跟踪目标,而且与其他跟踪方法相比,跟踪效果普遍较好。