目标跟踪是计算机视觉领域中的一个重要方向,广泛应用于无人机操控、视频监控、人机交互等。目标跟踪的主要任务是在给定待跟踪目标后准确可靠地预测目标在后续图像序列中的位置和大小。目标跟踪的难点在于跟踪的目标是任意的、用于模型训练的正样本数量较少、在跟踪过程中目标变化未知且多样。本文针对训练样本数量少、目标发生形变、光照变化、遮挡等问题进行了研究,主要研究成果如下:提出一种基于边界框回归模型的自适应目标跟踪方法。通过高斯混合模型生成训练样本,利用深度卷积神经网络VGG-M提取训练样本的深度特征,利用插值和卷积因式分解操作得到降维多分辨率深度特征,使用该特征训练空间惩罚相关滤波器,利用滤波器得到目标的初步位置,通过边界框回归模型对初步位置回归确定目标的最终位置,根据滤波器响应图的峰值和震荡程度更新训练样本。实验结果表明本算法跟踪速度可以达到实时要求且跟踪结果具有一定的准确性。提出一种基于特征优化学习的目标跟踪方法。利用VGG-M网络的部分层构建三层卷积层三层全连接层的多域网络并使用多视频序列训练,将多域网络提取的图像特征离线指导特征优化网络的训练,在线跟踪阶段,利用多域网络和特征优化网络构建二分类网络,利用二分类网络对目标进行初步检测,根据检测位置,利用边界框回归模型确定目标的最终位置,为避免跟踪网络过拟合问题,选取困难负样本训练网络。实验结果表明本算法可以在多种场景下完成目标跟踪任务。提出一种基于SVM检测器的孪生特征网络目标跟踪方法。利用深度神经网络VGGNet-19部分层构建五层卷积层两层池化层的孪生特征网络,将岭回归与尺度估计函数作为孪生特征网络的优化函数。利用孪生特征网络提取目标感知特征,通过模板匹配算法确定目标所在位置,为避免跟踪漂移问题,利用SVM检测器确定目标的置信度值,根据置信度值自适应的更新目标感知特征。实验结果表明本算法可用于对发生外观形变、遮挡和模糊的目标进行跟踪,算法跟踪性能良好且稳定。