在城市化高速发展的今天,智慧交通和智慧城市的建设对现代都市的发展具有非常积极的作用。作为建设智慧交通和智慧城市的一项关键技术,视频目标跟踪,在智能监控视频分析中发挥着重要作用。因此,研究视频目标跟踪技术不仅有助于在海量视频数据中能够更快更准确地分析监控视频,促进智能监控视频分析的发展,还能够推进智慧交通和智慧城市的建设。视频目标跟踪技术的主要任务是,给定一段图像序列或者输入视频,以及初始帧需要跟踪的目标的状态,估计后续帧目标的位置和尺度。其过程一般包括,首先根据上一帧的状态提取目标的特征去构造目标的表达模型,并将其运用在当前帧中,然后采用不同的方法和策略估计出目标的位置和尺度,最后更新目标的模型。近年来,得益于深度学习以及相关滤波的发展,出现了很多优秀的目标跟踪算法,推动了目标跟踪技术的飞速发展。而影响它们性能的是跟踪过程中出现的各类挑战,如光照变化、背景嘈杂、恶劣天气、背景遮挡等。针对以上挑战,本文分别从单模态和多模态两个角度,开展了跟踪算法的相关研究,主要的工作包括以下两个方面:(1)针对特征的噪声和冗余对目标跟踪的影响,本文提出了一种基于稀疏编码驱动模型相关滤波目标跟踪算法。具体来说,根据干净的初始帧的目标特征构造字典,然后运用稀疏编码技术,将后续帧提取的特征编码成更具有判别力的重构特征。然而,相比于原始特征,在第一帧构建的字典上学习的重构特征可能无法完全表示后续帧连续变化的目标,据此,本文采用原始特征和重构特征联合学习相关滤波器。得益于联合学习的优势,我们在一个统一框架中联合学习相关滤波和稀疏编码。最后在三个公众数据集上进行实验对比分析,验证了所提算法的有效性以及鲁棒性。(2)针对光照变化和恶劣天气对目标跟踪的影响,本文提出了一种基于协同低秩模型的跨模态相关滤波跟踪算法。具体而言,红外摄像仪可以捕捉到温度超过绝对零度的物体发出的红外线辐射,故此,在一些恶劣环境下,将可见光和热红外两种数据进行融合,可以实现信息互补,增加跟踪的准确性。进一步,通过实验发现不同模态的数据能够产生相似的相关滤波,使得它们在定位目标上达到一致性。因此,考虑到两个模态之间的相互依赖的关系,本文采用低秩约束来联合学习相关滤波,以促进两个模态信息有效融合,进而提升跟踪的性能。