视频运动对象跟踪是计算机视觉的一个基本问题，具有广阔的应用背景，可以应用到视频监控、视频分析、机器人和智能人机交互领域。运动对象跟踪的主要目的是获得跟踪目标在视频的每一帧中的运动参数，如位置、尺度等，进而获得跟踪对象在整段视频中的运动轨迹。多数目标跟踪算法主要由表观建模运动建模两个核心部分组成。本文分别对这两个问题进行研究。在表观建模方面，本文采用的主要方法仍是对前景和背景联合建模，分别提出一种基于增量二维线性判别分析的对象跟踪方法和一种基于半监督转移学习的对象跟踪方法。在运动建模方面，本文采用的主要方法是对多目标之间的交互作用及目标与背景之间的交互作用进行建模，提出一种基于交互模型的多目标核跟踪方法。本研究分为四个部分：　　 ⑴提出一种基于增量二维线性判别分析的对象跟踪方法。传统的线性判别分析方法需要将二维图像矩阵展开成一维向量，然后再进行线性判别分析，这样带来了代价较高的矩阵运算。而二维主成分分析方法忽略了背景信息。增量二维线性判别分析方法将对象跟踪看成前背景区域分类问题，直接在二维图像矩阵上进行线性判别分析，提取最具有前景背景区分性的特征子空间。由于直接在二维图像矩阵上进行操作，该方法具有很高的计算效率。此外，我们还开发了增量地更新子空间的方法，这进一步降低了所需的存储开销和计算代价。最后，粒子滤波被用来对对象的运动参数进行推断。　　 ⑵提出一种基于在线选择κ-特征子集的对象跟踪方法。传统的基于特征选择的跟踪方法，在选择特征时，往往单独评价每个特征的分类能力，选择最优的若干个特征用于跟踪。基于在线选择κ-特征子集的对象跟踪方法将对象跟踪看成是前背景像素点的分类问题。该方法根据前面帧中搜集的前、背景样本，选择比较有区分性的特征子集用于跟踪。该方法直接评价特征子集的分类能力，而不去考虑每个特征的好坏，能够为目标跟踪选择出更具有区分能力的κ-特征子集，取得好的跟踪效果。　　 ⑶提出一种基于半监督在线学习的跟踪方法。传统的特征选择方法往往假设前背景样本在每一帧中的分布是相同的，因此，当目标或背景发生持续变化时，这些方法选择出的特征往往不能够很好的区分跟踪目标和背景，从而造成跟踪的失败。基于半监督在线学习的跟踪方法将对象跟踪看成前背景像素点的分类问题，将每一个特征与一个弱分类器结合，通过选择组合弱分类器实现最优特征的选择。由于该方法没有假设样本在每一帧中的分布是相同的，它能够处理背景和跟踪目标发生变化的情况。此外，我们还设计了在线的更新方法，使得跟踪器更能适应背景、目标的变化。　　 ⑷提出一种基于交互模型的多目标跟踪方法。传统的核跟踪方法在用于多目标跟踪时，没有考虑进环境对目标的影响、及目标之间相互影响。基于交互模型的多目标跟踪方法将背景及其它物体对一个目标的影响形式化为目标与背景、目标与目标之间的交互作用，并对这种交互作用进行建模，将这种模型与传统的核跟踪方法结合用于跟踪多个目标，然后采用迭代的卡尔曼滤波方法求解。在跟踪过程中，不断的更新目标的目的地、速度和加速度，以准确衡量目标与背景、目标之间的交互作用。由于该方法考虑进了环境对目标的影响，因此能够有效防止跟踪器漂移到背景上。同时，由于考虑了目标之间的影响，因此，当多个目标相互靠近时，能够有效避免跟踪器混淆多个目标。