近年来，视频追踪将计算机视觉、模式识别、人工智能等学科的技术很好的融合在一起，成为视觉研究领域内一个非常活跃的分支，具有广阔的应用前景。尽管已有很多目标追踪算法，但是，由于目标在追踪过程中可能会发生部分遮挡、变形、以及光照的变化，还有场景的一些变化，因此设计的目标追踪算法具有一定鲁棒性仍然面临很多挑战。近年来，多示例学习(Multiple Instance Learning, MIL)算法被成功运用到了视频追踪中，为视频追踪领域开辟了新的路径。本文在MIL算法的基础上提出了两个改进的目标追踪方法，具体如下：首先，提出了基于粒子滤波加权的在线多示例学习目标追踪方法（PFWMIL），粒子滤波就是采用贝叶斯序列重要性采样方法来估计动态系统状态变量的后验概率分布。MIL算法成功运用到了目标追踪系统中，在一定程度上能够克服模板漂移问题。由于传统的多示例分类器没有考虑到示例重要性，因此在多示例算法的基础上，训练分类器的同时增加样本重要性权重，并将其引入到粒子滤波的框架下。粒子滤波通过最大化样本的分类结果来估计样本的位置，并将其作为下一帧目标的位置。提出的方法实现了稳定可靠的目标追踪，解决了由于目标自身或环境变化而引起的模板漂移的问题。其次，提出了基于压缩感知的在线多示例学习目标追踪方法(COMIL)。目标的特征模型通过提取的样本数据来构建，但是在追踪算法中无法为在线学习提供充足的样本数据。因此，提出在压缩感知理论(Compressive Sensing, CS)的基础上，运用非自适应性随机观测方法对多尺度图像特征进行降维。这些随机观测中包含大量的有用信息，并用这些信息构建目标的观测模型。然后用在线多示例分类器对提取的特征进行分类，并实时地对分类器进行在线更新。提出的方法结合了CS理论与MIL算法的优势，提高了目标追踪算法的准确度，解决了由于提取样本不充分而引起的模板漂移的问题。