随着计算机视觉、图像处理技术发展,目标跟踪在安防监控、智能交通、视觉导航、机器人控制等领域取得广泛应用。尽管学者们提出大量跟踪算法,但由于遮挡、光照变化、背景干扰等因素引起目标外观变化,使得提出一个鲁棒性、实时性兼具的跟踪算法仍具有挑战性。本文紧紧围绕如何有效提升Meanshift跟踪算法、粒子滤波和稀疏表示跟踪模型性能进行研究,主要研究内容有以下几点:首先,针对传统Meanshift跟踪算法采用中心加权颜色直方图作为参考模型易受背景像素干扰导致跟踪性能下降的缺陷,提出基于目标-背景显著置信图加权模型的中层视觉线索Meanshift跟踪算法,并引入基于超像素的可辨别外观模型,可以有效地使Meanshift跟踪器用不同权重区分目标和背景,使跟踪器性能提升。其次,为提高稀疏表示跟踪模型性能,在以贝叶斯和粒子滤波构建目标跟踪算法框架基础上,提出基于全局与局部结构反稀疏外观模型跟踪算法,采用反稀疏表达方式一次求解优化问题计算出所有粒子权重以提升算法实时性,并采用基于联合判别相似度图(Joint Discriminative Similarity map,JDS map)排名机制将分数最高的候选目标作为跟踪结果,在跟踪过程中采用双重模板更新机制更新目标模板以及权重模板,使目标在复杂环境下,仍可以被准确跟踪。最后,提出一种在贝叶斯推论框架下基于视觉显著图的结构反稀疏在线目标跟踪算法。将基于马尔可夫(Markov)模型的关联性视觉显著度检测算法用于目标模板计算出当前帧显著图,将显著图映射回每一个局部块并计算出对应的自适应权重,然后用联合全局与局部稀疏解的度量准则来度量候选目标与目标模板的相似度,确立贝叶斯框架下对目标状态的最佳估计,实现目标跟踪。