作为计算机视觉领域的一个热点课题,目标跟踪在智慧城市、智能交通系统和国防军事等领域有着非常广泛的应用。尽管近些年来已经取得了长足的进度,但是复杂场景下的目标跟踪仍然是一个非常具有挑战性的问题。在复杂场景下,目标在跟踪过程中所经历的巨大的外观变化和遮挡问题是制约跟踪性能的重要因素。基于以上分析,本文提出了一系列目标跟踪算法来应对目标复杂的外观变化和解决遮挡问题。本文的主要贡献如下:1)为了深入挖掘目标不同局部块的外观特性以准确地跟踪目标,提出了一种新的局部稀疏外观模型。该方法将候选目标的局部块划分为稳定块、有效块和无效块,并且为这些局部块分配不同的权值。首先,提出了一个局部稀疏分数来有效地挖掘稳定块。为了消除背景块的影响,本文设计了一种判别性局部稀疏编码方法来降低背景块的权值。其次,通过利用稀疏表达中的局部性,设计了一种局部线性回归方法以区分有效快和无效块。最后,为了确保权值分配操作更加合理,本文提出了一种权值收缩方法来决定有效块的权值。通过挖掘不同类型的局部块并为它们分配不同的权值,所提出的方法可以有效地捕获目标巨大的外观变化和处理遮挡问题。在多个公共的目标跟踪数据库上进行的实验表明,所提出的局部稀疏外观模型能够在复杂的跟踪场景下取得良好的跟踪效果。2)为了有效地利用多种视觉特征以更好地建模目标外观,提出了一种基于动态多特征融合的相关滤波跟踪算法。由于多个特征通常是从不同的视角对目标进行表示并且在复杂场景下具有不同的重要性,该方法动态地融合梯度和颜色特征以成功地定位目标。首先,该方法利用梯度和颜色特征学习两个独立的相关滤波器,并且自适应地调整它们的权值来应对目标复杂的外观变化。滤波器的权值决定于它们单独的预测结果和最终融合的结果之间的一致性。其次,本文提出了一种失败检测机制以消除由不可靠的模型更新所造成的模型漂移问题。如果某个跟踪结果被认为是失败的,该方法将启动重检测操作以准确地定位目标。大量的实验证明了所提出的特征融合方法可以有效地捕获目标巨大的外观变化和解决遮挡问题以获得更好的性能。3)考虑到目标在跟踪过程中通常会有多个外观模式,提出了一种多模式相关跟踪方法以进行目标跟踪。首先,该方法利用多个相关滤波器建模目标的不同外观模式,每个滤波器表示一种特定的外观模式。然后,提出了一种两阶段选择算法以选择出一个合适的滤波器进行目标检测。该算法在第一阶段利用可靠性分数排除不可靠的滤波器,而在第二阶段利用匹配性分数挑选出一个理想的滤波器。最后,本文设计了一种在线评估算法以学习多个相关滤波器建模目标外观。通过学习多个滤波器进行跟踪,跟踪模型能获得更好的多样性和鲁棒性以应对目标复杂的外观变化和遮挡问题。在多个跟踪数据库上所进行的实验表明,所提出的多模式相关跟踪方法能够在复杂的跟踪场景下取得非常不错的跟踪结果。4)鉴于集成学习能够极大地提高跟踪模型的多样性和泛化能力,提出了一种基于相关滤波框架的集成相关跟踪方法来进行目标跟踪。首先,该方法在跟踪过程中使用多个相关滤波器来捕获目标不同的外观模式,并且基于这些滤波器执行集成操作以定位目标。其次,为了有效地学习多个滤波器进行集成跟踪,本文设计了一种新的回溯算法以获得滤波器来建模目标的外观。最后,通过考虑目标历史的外观信息和最近的外观变化,提出了一种在线权值分配算法来为多个滤波器分配不同的权值。由于使用了集成学习和多个相关滤波器,所提出的集成相关跟踪方法可以成功的捕获目标巨大的外观变化和应对遮挡问题。在多个目标跟踪数据集上所进行的扩展性实验证明,所提出的方法能够取得非常不错的跟踪性能。综上所述,从局部稀疏表示、动态多特征融合、多模型学习和集成学习等角度出发,本文深入分析了目标跟踪的难点和挑战,引入了一些先进的理念,设计了多个有效的跟踪算法、获得了良好的跟踪性能。因此,本文也对该领域的未来研究有着良好的借鉴意义。