目标跟踪是计算机视觉研究领域重要的一环,在日常生活生产中也有广泛应用,但是由于视频序列中往往存在光照变化、遮挡、尺度变化、旋转、背景纷杂等技术难点,开发鲁棒的目标跟踪算法仍是一项有挑战性的研究课题。本文介绍了目标跟踪算法的研究意义和背景,对研究现状进行了总结和分析,并介绍了相关的距离度量学习算法和哈希编码算法。本文在此基础上提出了两种基于距离度量学习的目标跟踪算法——基于融合距离度量学习的目标跟踪算法和利用联合学习哈希编码和距离度量的目标跟踪算法。本文首先分析了联合外观模型在目标跟踪领域取得的良好效果和引入了距离度量学习的目标跟踪算法的优势。在此基础上,本文根据基于随机游走的相似度计算方法提出了一种交叉降噪的相似度融合方法,并利用该方法融合不同的外观模型和不同的距离度量来进行目标跟踪。由于监督的距离度量学习算法性能依赖于样本质量,所以本文提出了一种基于相关滤波的预处理方法来对负样本进行筛选。本文还分析了谱哈希等常见哈希算法的不足,在谱哈希算法框架基础上融入距离度量学习,提出了联合学习的哈希编码和距离度量以及基于梯度下降的交叉求解方法。该算法能够同时对哈希编码和距离度量进行求解,使得哈希编码更加鲁棒。本文将学习得到的哈希编码融入目标跟踪算法框架,作为外观模型对目标和候选样本进行最近邻搜索。通过在大量的挑战性视频序列上与多种优秀目标跟踪算法进行试验比较,本文提出的两种算法均取得了更优异的表现。