目标跟踪是一个有着重要影响力的计算机视觉任务,由于其学术潜力和现实应用价值受到了学界和市场等各方的关注,并延伸出许多相关的子任务。总的来说,这一任务面对的挑战大同小异:如光照、亮度变化问题,遮挡问题。而不同子任务也具有差异性,如多目标跟踪任务的关联问题,点位跟踪的像素级精准跟踪问题。本文针对目标跟踪领域下的两个子任务,多目标跟踪与点位跟踪,提出了一系列方法来有效地解决面对的难题。本文的主要工作如下:（1）针对多目标跟踪中的噪声检测和遮挡问题,本文提出了一种长短期记忆模型来增加跟踪过程中的时间信息。在记忆模型的更新中,除了计算每个目标与模板之间的相似度外,还使用了一个模拟人类的记忆曲线的记忆模型计算函数来更新模板。同时还提出了一个新的评分函数来选择更好的候选检测结果和现有的轨迹。时空信息置信度是一种有效的处理方法,可以有效地减少漏检、误检和遮挡。在MOT16数据集上,本文通过实验验证了该方法具有可行性以及有效性。（2）针对传统方法在进行特定点跟踪时,精准度不高,跟踪会发生偏移,达不到视频中添加动态图标和谐性要求等问题,本文提出一种基于深度神经网络来提取关键点,结合特征匹配得到单应性矩阵,再进行变换的方式,有效的解决特定点位跟踪的问题。通过在“马栏山”音视频数据集上的实验,并与多种方法进行对比,验证了本文方法具有有效性。本文的工作对于解决多目标跟踪任务中的噪声检测和遮挡问题具有较好的效果,提出的点位跟踪方法相比其他方法也具有较大的优势。