视觉跟踪是计算机视觉研究领域中的一个重要方向。近几十年来,人们提出了许许多多用于视觉跟踪的算法。这些算法在目标物体的表示方法、图像特征的选取、以及目标物体运动、外观和形状的建模方法等方面各有不同。在实际应用中,目标物体的外观变化往往是影响跟踪性能的主要因素。很多现有的视觉跟踪方法在跟踪开始前构造一个用于表示目标物体的模型,并利用其不变的特征来应对由于光照、位置和视角等因素引起的物体外观变化。事实证明,不变的特征模型不能很好的解决在跟踪过程中由于内在和外在因素引起的外观变化问题。为了适应目标物体在跟踪过程中的外观变化,我们用目标物体的外观特征子空间来表示目标物体,并采用一种增量式主成分分析方法对特征子空间进行持续并且高效的更新。另外,相比于某些基于梯度下降的方法,我们利用一种类似于Condensation的粒子滤波方法根据当前帧的跟踪结果在下一帧中选取一定量的样本粒子,从而对目标物体状态变量的后验概率分布进行传播。最后我们使用一种高效的相似度量方法来确定跟踪结果。实验证明,本章方法能很好地解决由于目标物体的平移、旋转以及外界光照变化所引起的物体外观变化问题。在实验中我们也发现了在某些极端情况下,情况下粒子贫化的出现会导致跟踪的错误率增加。于是我们之后又提出了一种用于视觉跟踪的局部双回路结构,用来对当前帧的跟踪结果进行误差的修正。随后我们将这种局部双回路结构应用于之前提出的自适应特征子空间视觉跟踪方法。实验证明局部双回路自适应特征子空间视觉跟踪方法不仅在出现粒子贫化的时候具有很好的性能,在一般情况下也能使跟踪的准确率有所提高。