目标跟踪一直是计算机视觉领域一个重要基础课题。随着计算机与各种传感器的发展,目标跟踪技术拥有越来越广泛的应用领域,如运动识别、交通监控、车辆导航等。由于目标变形、噪声干扰、目标遮挡、背景混淆、光照变化等因素影响,目标鲁棒跟踪仍然有许多困难。主要原因在于目标跟踪所使用的模型退化导致后续跟踪发生漂移。由于模型在跟踪和学习过程中自适应性太强或太弱,导致模型学习或保持了不需要的信息,随着这种劣势会不断地累积,最终发生漂移。而产生这个现象的根本原因在于经典的跟踪算法使用单纯的模型结构已经无法适应日趋复杂的跟踪任务,改进单一的模型将遭遇性能的瓶颈。本论文提出一个崭新的基于步调更新的通用框架,与既有的跟踪器结合后可以克服其模型单一带来的劣势。框架通过步调更新的过程,在一个集合中基于某个基跟踪器初始化多个跟踪器,指导它们进行不同的跟踪过程,并产生前向和后向轨迹,通过轨迹分析,计算这些轨迹的鲁棒性来判断对应的跟踪器是否发生了模型漂移,并有效抑制这些负面影响,包括错误的跟踪结果和模型信息。在这个过程中,框架使得跟踪器得以对时域上下文进行建模。之后本论文在这个框架的基础上进一步探索,将单个基跟踪器拓展为由多个不同的特征的跟踪器组成的基跟踪器集合。在这个框架下,这些特征能够产生互补性的效果,取得比单一特征更好的性能。在公开数据集上的实验证明了本论文提出的框架有效缓解模型漂移问题,明显提高跟踪器的性能。在实验中,框架与目前较为主流的跟踪器进行了结合,构建出来的跟踪器具有领先的性能。