视频目标跟踪是计算机视觉领域研究的热点,在智能视频监控、医学图像诊断、智能人机交互和虚拟现实等领域均有广泛的应用。随着国内外的研究机构不断地对目标跟踪技术投入了大量的人力和财力,该技术取得了长足的发展。然而,面对光照变化、背景复杂、尺度变化和遮挡等复杂场景,目标跟踪算法仍有很多理论与技术问题亟待解决。针对视频目标跟踪过程中存在的问题,本文在传统目标跟踪算法的基础上,围绕算法的运动模型、搜索方案和表观建模等方面进行了研究分析,主要的研究内容和成果如下:（1）提出了一种基于高阶粒子滤波的目标跟踪算法。该算法针对经典粒子滤波中存在的粒子选择以及运算速度慢等问题,采用高阶马尔可夫蒙特卡洛后验采样对目标进行跟踪,能够在更短的时间内获得高质量粒子,更准确地对目标位置进行估计。新算法首先使用二维主成分分析特征和目标运动的趋势信息对目标进行表示;接着在跟踪过程中,采用多帧信息对目标运动进行建模;然后将权重因子引入到序贯重要性重采样方法中;最后为了减少粒子滤波中由于粒子数过多导致运算量过大的问题,采取均值聚类方法对采样粒子进行优选,从而降低计算成本。实验结果表明:与传统跟踪算法相比,基于高阶粒子滤波的跟踪算法在准确性和运算速度上都有一定的提升。（2）提出了一种基于Wang-Landau蒙特卡洛的突变运动目标跟踪算法。该算法针对传统目标跟踪算法不能有效跟踪突变运动目标以及突变运动跟踪算法较少考虑目标尺度变化的问题,将快速且高效的相关滤波尺度估计算法引入到采用Wang-Landau蒙特卡洛采样算法的突变运动目标跟踪算法中,能够有效地应对突变运动目标跟踪的目标尺度变化问题。另外,算法在贝叶斯框架下,利用背景减除算法将背景和目标分割出来,将分割图信息应用于采样的状态估计中,生成的采样粒子更符合当前视频序列目标的运动状态,使得目标位置的估计更加准确。实验结果表明:基于Wang-Landau蒙特卡洛的突变目标跟踪算法不但对突变目标运动有更高的跟踪精度,而且对平滑目标运动的跟踪性能也取得了一定程度的提高。（3）提出了一种结构化的相关滤波跟踪算法。相关滤波跟踪算法的外观模型容易受到遮挡和漂移的影响,不能有效地表示目标,从而降低目标的跟踪性能。新算法采用全局相关滤波和局部相关滤波相结合的方式对目标进行跟踪,首先采用全局相关滤波算法对目标进行粗估计,然后在此基础上利用局部相关滤波算法对目标位置进行微调。然而,当目标受到遮挡、形变等挑战因素的影响时,其局部特征的峰值旁瓣比得分会有比较大的差异,不能有效地表示目标,亦不能有效地对目标位置进行跟踪,此时采用在线学习的方式对目标位置进行估计。相关滤波与在线学习相结合的方式能够提升跟踪算法的长期跟踪能力。在尺度估计方面,根据位置估计方法的不同,分别采用各局部块之间的位置关系以及随机尺度采样方法对目标尺度变化进行估计。实验结果表明:结构化的相关滤波算法在目标长时间遮挡、尺度变化时的跟踪性能优于传统的目标跟踪算法。（4）提出了一种基于超像素的在线跟踪算法。传统目标跟踪算法往往采用低层次特征用于目标表示,然而低层次特征不能有效表达目标的结构信息,导致特征利用率低,尤其是当目标结构化特征特别易于跟踪目标时。本算法主要应用与工程实践,将超像素这一中层视觉特征作为视觉线索对目标表观进行描述。在表示目标时,首先对目标区域提取颜色直方图特征作为整体目标表示,然后对目标进行超像素分割,提取其超像素的类Haar特征作为目标的区域特征表示,最后将二者结合起来即完成对目标的表观建模。在确定最优候选目标时,根据由各超像素被赋予的不同权重所构建的置信图对候选目标进行评分,得分最高者为跟踪结果。另外,在对模板进行更新时,考虑图像帧之间的相似性与冗余性,自适应地更新模板。实验结果表明:所提出的算法能够有效应对遮挡、光照变化等挑战因素。