目标跟踪算法是计算机视觉领域的一个重要研究方向，被广泛应用在视频监控系统、智能交通系统、无人驾驶、人机交互等民用领域以及机载武器制导、成像制导等军事领域。目标跟踪最早出现在雷达跟踪中，经过研究人员几十年的努力，目标跟踪已经由最早的针对简单的点目标跟踪，逐渐发展成了针对复杂结构的面目标跟踪。随着近些年来人工智能技术的发展，各类计算机视觉算法对目标跟踪的性能提出了更严格的要求。虽然优秀的目标跟踪算法层出不穷，但仍然不能满足应用场景多样性的需要。所以设计跟踪精度高、鲁棒性强的目标跟踪算法具有重要的现实意义。目标跟踪算法遇到的主要挑战是实际应用中的不确定性，这些不确定性来自目标或环境。例如:目标形变、光照变化、复杂背景、目标遮挡、目标尺度变化等，如何解决这些问题是目标跟踪算法中的重要挑战。　　本论文首先对现有主流目标跟踪算法做了综述，分析了目标跟踪算法中用到的各个模块在算法中所起的作用。论文针对跟踪中遇到的目标形变、目标尺度变化、目标遮挡、光照变化等问题进行了研究，从图像角度分析了这些因素对目标造成的影响，给出了对应的解决方案。论文的主要贡献如下:　　针对目标形变，结合可变形模型与结构化分类器提出了基于可变形模型的目标跟踪算法。目标的可变形模型将目标分解为若干个子块，模型同时衡量了目标局部区域的相似度（局部表观模型）和子块之间空间位置关系（形变模型），使用图模型将两者结合在一起。利用结构化分类器来预测目标中各子块的位置。论文给出了结构化分类器的在线解法，在在线求解算法中给出了一种符合可变形模型形式的核函数表示方法，利用所提出的核函数表示方法可以提高结构化分类器中预测函数的求解效率。实验结果表明该算法可以有效地应对跟踪过程中的目标形变。　　针对跟踪中场景环境（光照、背景）变化，提出了一种结合特征选择的目标跟踪算法。在计算机视觉中，不同特征表示的是目标不同方面的信息，如颜色特征关注目标的颜色信息，梯度特征表征目标的边缘细节信息等。在同一幅图像中，不同特征对目标以及背景的表达能力不同;相同的特征在不同图像中对目标和背景的表达能力也不相同。同样是利用目标的局部分块表示，本文提出了一种基于霍夫森林的特征选择跟踪算法。霍夫森林中的每棵决策树与一个特征子集相关联，通过衡量每棵决策树预测能力的大小来确定每个特征子集对目标的表达能力。通过在跟踪过程中逐步舍弃预测能力小的决策树以及补充新的决策树来达 到特征选择的目的。实验结果表明了当跟踪视频场景环境变化较大时，该算法仍能准确地跟踪到目标。　　针对跟踪中目标发生的尺度变化，提出了一种结合核相关滤波与蒙特卡罗算法的目标尺度自适应跟踪算法。该算法将目标跟踪分为对目标尺度的估计以及对目标位置的预测两个任务。利用核相关滤波算法来预测目标的位置，通过定义目标的尺度变量，给出了利用蒙特卡罗算法迭代估计目标尺度的方法。通过对目标相似度响应图的分析，提出了一种目标模板更新策略，既可以在目标表观模型发生变化的时候更新模板，又能有效防止将错误的跟踪结果作为噪声引入到模板中。实验结果表明了该算法可以正确地对目标的尺度做出预测，在测试数据集上的实验结果表明该算法的跟踪精度优于其他对比算法。