随着近年来人们对智能监控系统的要求更加智能化和实时化，智能交通视频监控技术越来越受到研究人员的关注。交通视频目标跟踪是机器视觉领域一个重要的研究课题，它是智能视频监控系统最基本也是最核心的技术，具有极大的理论意义和实际应用价值。虽然目标跟踪在过去的一段时间已经取得了较大的发展，但是仍然有很多难题亟待解决，仍是一个富有挑战性的课题。　　本文主要针对交通视频目标跟踪算法，为了解决在实际智能监控系统中因为目标遮挡、快速移动、外观类似以及天气因素导致的跟踪丢失问题。在文中重点研究了基于区域结构性关系的相关滤波目标跟踪算法、基于随机蕨的长期目标跟踪算法、以及将其应用到智能交通视频目标跟踪的领域中，本文研究的主要内容和创新如下:　　研究了相关滤波的基本原理，尝试性地将区域结构性关系和模板匹配应用到相关滤波目标跟踪框架之中，首先根据传统相关滤波的思想对整体目标以及目标经过分块后的各个子区域预测下一帧的目标位置以及各个子区域的位置，然后通过不同区域之间的位置关系得到若干个候选尺度变化，将目标图像块尺度化为得到的这些候选尺度图像块，然后通过模板匹配方法得到最优的尺度，解决了因为视频帧中待跟踪目标随着时间尺度发生较大变化的时候导致的跟踪失败问题。然后介绍将相关滤波应用到交通视频的目标跟踪中，一定程度上解决了目标跟踪过程中的目标尺度变化问题，尤其是在交通视频中随着时间的变化尺度变化更加明显。　　针对实际监控中，因为目标短暂的被完全遮挡、天气因素等原因导致跟踪丢失的问题，提出一种基于随机蕨的长期目标跟踪算法。算法通过滑动窗口在整幅当前帧图像中搜索待检测的目标，算法使用的是HOG-LBP特征，有很好的光照不变性，尤其适合露天的交通视频，可以很好的避免因为光照车辆或其他目标反光导致的特征提取不准确问题。然后通过k近邻算法确定目标位置。针对交通视频的目标跟踪场景中，在进行目标跟踪的时候，目标可能会因为短暂的完全遮挡导致跟踪失败，之后目标重新出现。本文将基于随机蕨的长期目标跟踪算法应用于此场景中，减少了误判率，同时也大大增加了跟踪的准确度，提高了系统的运行效率，避免了车牌号等信息的重复提取。　　最后还将本文提出的跟踪算法在不同的测试视频集进行实验，并且与不同的目标跟踪算法作对比，验证本文算法具有更好的跟踪效果。本文分别在自拍视频和ECCV的公共测试视频集上进行测试，和其他的目标跟踪算法进行对比。验证本文的交接算法不仅准确率高而且时间也被大幅度缩短。