目标跟踪是计算机视觉中重要的研究方向之一,它的研究涉及了计算机科学,数学,视觉认知等学科的前沿知识,并且在现实生活中存在着大量应用,如人机交互,视频监控等。经过几十年的研究发展,目前也已存在着大量优秀的目标跟踪算法。然而,面对环境的复杂性和目标运动的多样性,鲁棒的跟踪算法研究仍然是一个非常有挑战的问题。根据发展情况来看,目标跟踪算法可分为生成式方法和判别式方法。生成式方法包括典型的跟踪方法,如粒子滤波,Mean-shift;随着机器学习的兴起,判别式方法也得到了广泛关注,其中典型代表为基于相关滤波的跟踪方法。本文在对现有的目标跟踪算法进行仔细研究的基础上,针对算法存在的一些不足,提出了相应的改进算法。本文的研究内容和研究成果如下:1)目标模型更新策略是生成式跟踪算法的关键,对现有的更新策略进行分析后,文中提出了一种基于协同特征学习的目标跟踪算法。在改进的粒子滤波的框架下,进行多模式协同特征学习,联合校正模式,更新模式,匹配模式和回退模式,学习可信目标模型,并且在每帧跟踪时自适应选择恰当的目标模型,即使出现跟踪失败,也能够缓慢地从其错误中进行校正。实验表明,该算法可以提高目标跟踪的精度。2)鉴于目前的目标跟踪算法大多属于短期跟踪算法,因此文中提出了一种基于正则相关滤波的长期跟踪算法。首先使用类PCA对融合特征（HOG,CN,积分通道）进行降维;然后对SRDCF进行近似简化,提出了一个增补模型Color Map,与相关滤波算法进行组合,提升短期跟踪的精确度;最后提出了Proposal检测器,与短期跟踪器构成了长期跟踪。实验表明,该算法在长期跟踪中具有良好的性能。