基于视觉的目标跟踪一直以来都是计算机视觉领域一个重要而富有挑战性的研究热点，视觉目标跟踪算法引起人们越来越多的关注，并且在军事和民用的许多领域（如：智能交通、智能视频监控、机器人）等都具有极为广泛的应用前景。尽管视觉跟踪的研究超过30年，并且涌出大量的相关算法，但要想设计一个具有普适性的实时的、鲁棒的、精准稳定的视觉目标跟踪系统来满足实际需求，仍然面临着很大的挑战。　　在复杂场景中，尤其是目标和背景的分辨度很低的情况下，外观模型在辨识目标与背景中起到十分重要的作用。跟踪过程中，把握目标外观变化很重要，包括本身变化（例如目标姿势改变和形状改变）和外在变化（例如光线和遮挡问题）。目标跟踪要适应这些变化，外观模型应有两个重要特性：自适应性，即外观模型能够适应本身变化，不断地进行更新；鲁棒性，即外观模型能够适应外在变化。目标搜索在很多跟踪算法中的时间复杂度很高，而后续高级应用（行为识别和检索）对实时性要求又很苛刻，因此如何降低目标搜索的耗时也是一个非常重要的问题。另外，目标搜索过程与实时外观模型息息相关，在搜索过程中掌握外观变化也十分重要。本文对以上两个问题进行了深入的研究，具体包括：　　1、针对多目标跟踪中全局目标搜索方法造成的耗时过多，效率不高的的问题。本文提出了一种基于运动估计和结构约束相结合的搜索方法。该方法在计算多个目标搜索范围时，首先计算其中一个目标的运动矢量,结合上一帧该目标的位置，对当前帧该目标运动方向和尺度进行预测；再根据多目标之间的结构约束关系，计算其他跟踪目标精确的搜索方向和范围。实验结果表明，该方法在不影响跟踪准确率的情况下，大大缩小的搜索范围，提高了搜索效率，从而简化了多目标跟踪算法的时间复杂度。　　2、基于核的结构输出跟踪算法，该算法能够很容易地将多种图像特征信息和核函数结合在一起进行跟踪，算法适用的目标范围扩大而且对噪声具有较高的鲁棒性，但是不能解决跟踪目标在跟踪过程中尺度变化的问题，若目标尺度变化较大，会造成目标跟踪失败。本文在该算法的基础上引入对数极坐标变换的理论，该理论存在两个重要的性质：1）将极坐标轴向尺度变化转变为对数极坐标图像的左右平移；2）把极坐标的角度变化转变为对数极坐标图像的上下平移。对跟踪过程中前后两帧图像中的目标分别建立空间变分辨率模型，从而得到目标的尺度变化量，进而在跟踪过程中不断对目标大小进行调整。实验结果表明，该方法能够得到目标的尺度变化量，并对跟踪目标框进行适当调整，提高跟踪准确率。