目标跟踪作为计算机视觉与模式识别中的一个重要研究方向,近年来一直备受关注。其中,由于在线跟踪存在目标及场景先验知识缺乏,物体及环境变化不可预测等诸多挑战,因此,与离线跟踪相比,在线跟踪的研究对建模方法的适应性和学习策略方面有着更高的要求,从而也成为该研究方向中最具挑战性的难点问题之一。针对上述问题,本论文从分析在线目标跟踪的帧内目标表示和帧间运动变化等特点入手,开展了基于运动目标外观模型与运动估计联合建模的在线跟踪研究。通过构造精确的目标表示模型及灵活的目标运动约束,提高在线学习模型的适应性,并结合鲁棒的模型更新机制,实现复杂环境中精确而鲁棒的目标跟踪,最后通过优化学习策略进一步提高了跟踪方法的实时性。针对非刚体目标形状不规则,传统矩形框表示方式不准确的问题,本文研究了更为普适的基于不规则区域的目标跟踪,提出了基于目标外观与运动流分割的非刚体目标跟踪算法。通过将运动估计引入到在线目标分割的过程中,实现了更为精确的目标表示,有效解决了目前制约任意形状物体在线跟踪的关键问题,并且获得了较好的跟踪结果。然而,由于实际环境的复杂性和多样性,当目标区域颜色分布不均匀或目标与背景相似度较高时,很难分割出精确的目标区域,从而影响了跟踪器的性能。因此,如何提升跟踪模型的普适性成为论文研究的下一个目标。通过对在线分类器样本标签分布特性的进一步分析发现,利用标记样本和未标记样本分布的关联性可以极大提升在线分类器的性能。本文充分利用样本标签空间分布特性以及帧间的运动估计,提出了基于空间约束与运动估计的改进直推式学习跟踪算法,简化了传统直推式学习的样本聚类过程的计算成本,有效地提升了分类器学习的效率。而模型中的选择性目标预测机制和基于预算缓冲的模型更新策略也使得分类器学习更加鲁棒,有效克服了目标在具有相似纹理场景中的目标位置估计问题。该算法在不同的应用环境下获得了较为准确的跟踪效果,在线学习效率也得到一定的提升,然而更为精确且实时的在线目标跟踪还需进一步研究。为了得到准确且实时的跟踪算法,本文重点研究如何在保证跟踪器精确性的前提下提升在线目标跟踪实时性。针对快速的目标预测及精确的目标定位问题,本文综合利用外观模型鲁棒性高及运动估计精确度高的优点,提出了基于外观模型与运动估计的高阶正则化融合跟踪算法。通过构造具有循环结构的核函数作为外观正则项,快速预测目标的初始位置。再利用运动正则项进行自适应的目标大小尺度估计以及快速运动的处理。最后,采用高阶正则化的融合学习的方式实现了更为准确和鲁棒的跟踪器,并且达到了实时的跟踪速度。通过与多个当前国际主流跟踪方法在标准测试数据上的比较,充分证明了本文研究成果的先进性和有效性。