随着人工智能技术的再度崛起，计算机视觉作为其一个重要分支也迎来了新的快速发展。作为计算机视觉领域的研究热点问题之一，视频目标跟踪技术在过去的40年中取得了长足的发展，尤其在跟踪框架、算法、外观特征及建模等方面取得了很大的进步，现已广泛应用于智能视频监控、智能交通、机械制造自动化、智能机器人视觉导航、农业机械自动化等应用领域。但由于目标跟踪问题的复杂性及涉及的因素众多，实现鲁棒精确目标跟踪仍面临极大挑战。　　本文主要针对复杂环境下为应对严重遮挡、背景干扰、目标形变及实时性等各种挑战对单目标视频跟踪技术进行深入研究，主要研究工作与结论如下：　　（1）提出了一种基于模糊灰色预测的粒子滤波目标跟踪算法。首先，基于灰色系统理论和模糊数学理论提出了一种模糊灰色预测模型，然后将其引入到粒子滤波框架，采用目标历史状态序列作为先验信息，利用预测模型来产生建议分布，使粒子分布更加符合后验概率分布，并提高粒子的多样性。通过设置历史状态数据序列提取的间隔参数，实现了对目标短时完全遮挡的有效跟踪。通过仿真实验及基于实际视频图像序列的实验对算法进行了验证和分析，实验结果表明，该算法能更好地解决严重遮挡问题。　　（2）提出了一种基于特征点检测与匹配的目标跟踪方法。为应对目标跟踪中背景干扰与目标形变的挑战，设计一种具有较高辨别能力的目标外观表示，将目标运动视为目标图像区域一组特征点的运动。为更好地应用于目标跟踪，首先提出了一种新的特征点检测算子与特征点描述算子。在提出的检测算子中，利用Hilbert曲线扫描将二维数字图像转换为一维灰度序列，并在该序列上连续两次进行差分运算，通过零点检测来快速获得特征点。描述算子采用二进制向量形式，既可以用作特征点匹配的描述又可以用作目标局部区域的外观建模。通过实验验证了两种算子有效性。然后提出一种在高斯混合模型中通过特征点检测与匹配来实现目标跟踪的方法。在高斯混合模型中，根据特征点的产生及分布规律，将特征点分成三类，采用三个高斯分量分别拟合这三类特征点的分布。利用EM算法并基于相邻两帧目标区域图像相匹配的特征点来对运动模型参数的求解。实验结果表明，该算法能够适应背景干扰与目标形变等多种挑战，取得了较好的跟踪效果。　　（3）为提高复杂环境下目标跟踪的精度，提出了一种在粒子滤波框架下融合目标检测与分割的跟踪方法。首先基于数量化理论I类构造了一种图像分类器，分类器将搜索区域内的每个像素作为样本，以像素HSV值作为样本特征，并以H、S、V 的三个分量作为数量化理论 I 类模型的要因，这三个要因分别设置 7、8和8个类目，并采用马氏距离作为基准变量。利用初始帧构造分类器时，采用联合直方图法将初始帧目标区域的背景像素作为负样本分离出去，得到比较纯净的正样本，从而得到一个较精确的分类器。设计了分类器的在线更新方法以适应跟踪场景及目标外观的变化。最后将构造的分类器融入到粒子滤波框架，先由粒子滤波初步预测目标的位置及大小，再用所提出的分类器对目标进行精确分割，从而确定目标的准确位置及大小。在富有挑战性的视频图像序列上进行实验，验证了该算法具有较高的跟踪精度和鲁棒性。　　（4）为应对复杂环境下目标跟踪算法运行实时性的挑战，提出一种新的基于相关滤波的快速跟踪算法。首先提出了一种新颖的基于Radon变换数据的目标外观模型，通过严格的数学推导得到滤波训练模板的闭合解，在此基础上提出一种新的相关滤波跟踪框架，在该框架中以Radon变换值作为特征进行模板训练。为解决目标尺度变化的问题，通过相邻两帧置信图数据之和与尺度变化的关系，设计了一种新的目标尺度方案。通过调高Radon变换时的投影角度间隔可在保持跟踪性能的前提下大幅提高算法运行速度。算法在普通桌面电脑上运行平均处理速度可达80帧/秒左右，针对一些分辨率较小的视频最高可达220帧/秒。实验结果表明，该算法不仅在多种复杂条件下具有较好的鲁棒性，而且比现有大多数算法具有更快的运行速度。