目标跟踪是计算机视觉领域的重要研究方向之一，同时也是多学科交叉的研究课题。随着图像处理、模式识别和概率与统计等学科理论和计算机硬件等技术的快速发展，摄像设备在众多领域得到广泛的应用，视频分析在生产和现实生活领域的应用变得越来越重要。目标跟踪是视频分析的重要研究内容，也是后续视频分析的关键。尽管近几年来目标跟踪技术取得了显著的进步，在某些简单实时场景中提出了众多的鲁棒跟踪算法，但是在一些复杂环境下的视频跟踪问题并没有完全解决，例如在复杂环境下的光照突变、严重杂波干扰、严重遮挡、运动不连续和视图不断变化等，为了解决上述复杂环境导致的跟踪不理想问题，本文提出了三种不同类型的目标跟踪方法。对于复杂环境下的目标跟踪，既可以在粒子滤波的框架下，构建鉴别性强的似然函数跟踪；也可以在核跟踪的框架下，结合有效的视觉特征进行跟踪；还可通过分类跟踪技术，把跟踪变成分类，将目标从背景中分离出来。论文的主要研究工作和创新性集中在以下几个方面：①在基于粒子滤波的理论框架下，相似性度量对于粒子滤波跟踪效果具有决定性作用，研究鲁棒的相似性度量是粒子滤波的关键技术。常用相似度包括Bhattacharyya、直方图相交、卡方和BRD (Bin Ratio Dissimilarity),通过分析他们的不足，提出了基于两种改进的相似度方法BBRS(Blocks Bin Ratio Similarity)和SBRS(Spatial Bin Ratio Simiarity),并用于粒子滤波跟踪算法，这两种相似性度量都同时考虑了直方图量化区间的比率关系和目标的空间关系，复杂场景下的目标跟踪实验结果证明了基于改进相似度的跟踪算法的有效性和鲁棒性。在跟踪过程中由于目标或背景的不断变化，利用固定目标模型容易产生跟踪漂移，针对这一问题，研究了基于稀疏主元分析的自适应目标模型的跟踪算法鲁棒地跟踪变化目标；在复杂环境中由于单一特征的跟踪效果欠佳，为了改善跟踪效果，研究了多特征自适应融合粒子跟踪算法来提高跟踪的精度。②针对跟踪过程中视图不断变化问题，提出了一种基于块的自适应鲁棒均值移动跟踪算法。块的系数通过MSBRS(Multiple Scale Bin Ratio Similarity)计算。该算法从视觉特征集中选取描述能力强的两种特征，同时将其按照与目标模型的多尺度相似度线性融合；由于固定目标模型容易产生跟踪漂移，为了减少漂移，通过计算当前目标模型与初始目标模型的多尺度相似度自适应更新目标模型。复杂场景下的目标跟踪实验结果验证该融合跟踪算法鲁棒地跟踪视图变化中的目标。③基于自我训练的分类方法已成功应用于视频跟踪中，但该类算法因误差累积易于产生跟踪漂移。为了减小由于误差引起的漂移，提出了基于半监督支持向量机的自适应的跟踪算法。该算法利用在线半监督分类方法对未知目标进行分类，并通过分类的目标自我更新；分类特征采用两种相对独立的特征线性融合，融合系数采用MSSBRS(Multiple Scale Spatio Bin Ratio Similarity)。该相似度有效地融合了BBRS和SBRS的优点，可以利用少量的量化级数达到较好的鉴别性。由于分类跟踪算法忽略了目标模型，对于易变化的目标，应用目标模型可以取得较好的跟踪效果，因此目标模型更新就显得非常重要。在文中，目标模型更新是采用类似增量主成分分析的方法更新。通过在可见光和红外视频序列的目标跟踪实验验证了该分类跟踪算法的有效性和鲁棒性。