目标跟踪是计算机视觉的基础核心技术之一,与我们日常的生产生活紧密相关,在民用和军事等诸多领域都有极大的应用价值。然而,由于容易受到形变、平面内外旋转等目标自身因素以及光照、遮挡等外部环境因素的影响,目标跟踪的发展仍然面临着很大的挑战,设计一个能够同时平衡跟踪的准确性、鲁棒性、抗干扰性并同时具有较好实时性能的目标跟踪算法仍然是一项非常艰难的工作。非对称逆布局模型是一种非常先进的图像表示方法,能够以较少的分块表示图像的结构性特征。本文在非对称逆布局模型的基础上对目标跟踪算法进行了两个方面的研究:(1)研究了一种基于非对称逆布局模型和局部密度估计的目标跟踪算法。该算法的主要贡献有:第一,利用基于非对称逆布局模型的图像分块算法对目标图像划分同类块以构建目标分割模板,然后将其与快速的局部密度估计结合以建立目标描述模型,快速的局部密度估计使我们的算法具有出色的实时性能;第二,设计了一种局部自适应学习和负反馈调节机制的模型更新策略,以减轻遮挡干扰和模型漂移;第三,提出了一种基于改进的median flow的尺度估计算法,以减少尺度干扰的影响。(2)研究了一种基于非对称逆布局模型和结构化SVM的压缩跟踪算法。该算法结合了压缩跟踪算法实时性能较高以及结构化SVM辨别能力较强的优点,其主要贡献有:第一,在压缩跟踪算法提取压缩特征的过程中引入基于非对称逆布局模型的图像表示方法以增强压缩特征对目标的表示能力;第二,提出了一种基于coarse-to-fine的多峰目标检测机制,以降低背景杂乱和相似目标干扰等影响;第三,提出了一种基于尺度池模型的尺度估计方法,以消除尺度变化的干扰;第四,提出了一种高置信度的稀疏更新策略,显著地减少了分类器学习噪声样本,避免模型漂移,并且提升了跟踪速度。实验结果表明,基于非对称逆布局模型和局部密度估计的目标跟踪算法优于大多数最先进的对比算法,在OTB100数据集上达到了87.33FPS的跟踪速度,并且在遮挡、形变和尺度变化等方面具有明显的抗干扰能力;基于非对称逆布局模型和结构化SVM的压缩跟踪算法优于绝大多数最先进的对比算法,在OTB100数据集上达到了41.57FPS的跟踪速度,基本满足实时性能的要求,并且在背景杂乱、目标形变、遮挡、尺度变化、运动模糊等方面都具有明显的抗干扰能力。