视觉跟踪作为计算机视觉领域的基础性研究热点,具有广泛的实际应用意义。但是现有的跟踪算法仍存在很多缺点,本文针对视觉跟踪存在的技术难点,做出了以下几方面的工作:首先,系统的阐述了不同跟踪算法和视觉注意模型的实现原理,并且分析了其优缺点。根据人类视觉认知机制建立计算机模型,并检测图像中的视觉显著区域。重点研究了频域算法实现,为后续视觉跟踪特征选择和跟踪的稳定性优化提供理论依据。其次,基于视觉显著原目标估计预测目标运动状态,采用视觉原目标描述真实目标的显著假设区域,结合目标中心附近区域的视觉显著值检测视觉显著原目标,建立图像视觉原目标与跟踪目标间的联合后验分布,根据吉布斯采样原理优化逼近此分布模型,最后根据MAP(最大后验概率)算法得到最优的目标中心位置估计。再次,针对传统均值漂移算法单一特征描述的不足,提出一种基于视觉显著性特征的自适应目标跟踪算法。该算法基于频域滤波原理检测目标视觉显著图,结合颜色特征和视觉显著性特征描述目标模型,并根据相似系数的大小自适应的调节转移向量融合权值,有效的克服了跟踪不稳定性和背景融合干扰,提高复杂背景下目标跟踪的准确性。最后,针对Real-time CT算法中弱分类器学习速率恒定,当目标快速运动或目标发生较大变化时,容易出现目标漂移甚至丢失的问题,提出一种自适应调节学习速率的目标跟踪算法。采用特征加权压缩感知随机稀疏矩阵提取目标特征,基于样本类条件分布的对称KL距离自适应确定弱分类器的学习速率,采用朴素贝叶斯分类器预测下一帧中目标中心位置。实验证明,该算法在目标快速运动和遮挡情况下,能够有效跟踪目标且鲁棒性较好。