目标跟踪是智能视频监控系统的重要组成部分,是计算机视觉领域的热门研究方向。目标跟踪在城市安全监控、导弹制导、城市交通、银行监控和娱乐等方面都有相应的应用,具有良好的市场应用前景。尽管相关研究者对目标跟踪的研究时间已经接近30年之久,但是现实跟踪场景往往比较复杂,存在着目标遮挡、光线突变、目标形变、尺度变化等等复杂干扰,到目前为止,研究者仍然没有设计出一种可以适应复杂跟踪场景的快速、鲁棒和高精度的目标跟踪算法。本文分析了当前目标跟踪研究的现状,分别提出两种复杂场景下基于视觉的单目标跟踪算法。(1)近年来,基于稀疏表示的生成式跟踪算法受到领域内研究者的广泛关注,大量基于稀疏表示的跟踪算法被提出,然而,该类算法都存在一个通病：由于每一帧大量求解l1正则化所带来的算法时效性低下问题,严重制约了跟踪算法的工程推广。本文在第三章提出了一种基于l2范数最小化的实时跟踪算法,对目标模板进行正交化,去除模板之间的冗余性,构成正交子空间用于对目标进行重构,通过l2范数最小化对目标表示模型进行求解,并引入一个阈值参数对重构误差进行分解,建立更为鲁棒的观测模型。整个算法快速且有效;(2)当前的目标跟踪算法主要分为两类：生成式和判别式,二者皆存在各自的缺点。生成式跟踪算法对目标外观表示能力较强,但缺乏利用背景信息；判别式跟踪算法,虽然将目标背景和前景都融合入模型中,但对目标的重构能力较差。针对该问题,本文在第四章提出一种生成式跟踪和判别式跟踪相结合的协同跟踪算法,将两类跟踪算法的优势进行互补；本文对所提出的两种跟踪算法在大量数据集中进行实验,并与近几年多种知名的跟踪算法进行对比,定量和定性的实验分析显示,两种算法均能有效地对目标进行持续、准确地跟踪,可以较好地克服复杂场景下所存在的目标遮挡、尺度变化、光线突变以及位姿变化等复杂干扰。