视觉目标跟踪作为计算机视觉最基本的研究领域之一,在视频监控、智能交通、人机交互、医疗诊断、辅助驾驶、视觉导航等诸多场景中有着广泛的应用。仅仅给定第一帧的任意感兴趣目标中心位置和目标框的大小,目标跟踪的任务是在后续的视频或图像序列中不断地估计该目标的位置和大小,以便为其它视觉任务提供数据信息。近年来,国内外学者对视觉目标跟踪进行了不少的研究,并在简单场景（如静态场景的刚性目标）取得了较好的跟踪精度,但在实际复杂场景中,目标会受到光照变化、快速运动、遮挡、背景杂乱等一种或多种因素的干扰,使得目标外观建模的难度增加,因此如何实现准确、高效、鲁棒地目标跟踪任务仍然具有很大的挑战。本论文在分析现有的优秀跟踪算法基础上,主要分别以相关滤波基本理论和深度学习方法作为算法的框架,围绕如何建立可靠的外观模型,在复杂多变场景下能有效抑制模型的退化进行深入的研究。本文的具体工作和创新点如下:（1）提出了一种在复杂场景下目标跟踪满足较快的跟踪速度和较高鲁棒性的跟踪方法。使用来自所有先前帧和当前帧的所有样本,构造了一个代价函数,利用加权平均二次误差最小化来训练分类器,通过增多训练样本在一定程度上可以提升分类器的鲁棒性;为了提升跟踪器的时间效率,使用了三种不同的策略,一是基于相关滤波理论,引入高斯径向基函数核方法,采用快速傅里叶变换技术,把空间域的计算引入到频率域计算中,降低时间成本;二是采用目标特征降维方法,保证目标特征维度减低的情况下仍然携带其关键信息,这样,即可以使得计算的时间成本大大减小,还能保持分类器的有效性;三是在检测响应得分中有效地执行三角多项式的插值,用子网格插值的方法来计算像素密集的响应得分,避免像素级的运算对计算量的影响。上述提升计算效率的方法还用到目标的尺度估计中,适应目标的尺度大小的变化。另外,通过扩大搜索区域,引入更多的正负样本,强化了分类器的分类能力;在模型更新方面,采用跟踪器的分子和分母同步插值更新的方法,且仅通过存储当前学习的模型来更新分类器。（2）提出了一种空间可靠区域限制的权重核相关滤波的跟踪方法。通过并行学习空间正则化的核相关滤波器和颜色直方图模型,建构鲁棒的外观模型:一是为了减少样本中不需要的边界效应,引入空间正则化分量来学习核相关滤波器,其不同样本处的正则化权重可以通过惩罚相关滤波器降低边界效应的影响,保持跟踪器的稳健;二是考虑到图片中的颜色所携带的信息,通过使用颜色直方图模型来构建空间可靠性图约束训练样。另外融合了包括HOG和HOI描述符在内的两个互补特征,以构建稳健合理的多通道目标特征描述,提升分类器的判别能力,最后采用跟踪结果的反馈机制来确定更新在线模型的方式。（3）滤波器固定的权重在跟踪器过程中不能适应目标种类变化和场景变化,强化目标特征描述和连续帧的时序信息也能抑制滤波器的退化,针对这些问题提出了一种基于目标深度特征和时空约束的相关滤波器视觉跟踪方法。融合不同卷积神经网络的浅层和目标的手工特征,对目标特征进行描述,以相关滤波为框架,在建构分类器的目标函数时,充分考虑到连续帧目标的时序信息和当前检测帧的空间信息,引入自适应的空间权重约束和时间一致性约束,利用ADMM技术最优化分类器。该方法的好处是不需要对分类器的模型进行更新,只需要对目标特征进行更新,结合不同卷积神经网络等多特征融合使得分类器的对目标定位能力大大提升,同时使用上述方法仅需手工特征能很好的解决目标尺度的问题。（4）提出了一种基于在线动态更新的孪生网络目标跟踪方法。该方法在深度学习框架内进行目标跟踪,其网络的模型结构和Siamese-FC跟踪器中的结构保持一致,同时,充分利用正负样本包含的信息,采用三元组损失代替逻辑回归损失来训练样本得到模型参数;在跟踪的过程中考虑目标外形的变化,利用所有跟踪前帧的目标模板学习到基于目标外观相似的变换参数;引入高斯权重分布,学习到基于背景抑制的变换参数,在训练好的网络中,利用上述两个参数,搜索区域的检测样本通过背景抑制与其前一帧通过目标外观相似的变换的目标进行相似性比较确定跟踪目标,该方法在不牺牲时间效率的同时,提升了跟踪器的性能。