现有视觉跟踪算法主要使用独立帧中目标的视觉特征作为目标表示。由于真实世界中跟踪视频的多样性和复杂性,视觉特征的表示能力存在域差问题（即视觉特征在源域和目标域中表现出不同的表示能力）,这限制了现有跟踪器的性能。为了缓解域差问题的影响,现有跟踪器从增强目标表示和执行在线学习这两个方面来进行目标域自适应。这些跟踪器结合不同类型视觉特征来增强目标表示,但较少有效利用目标域中的空间结构化信息和时域连贯性。这些跟踪器在目标域对跟踪模型进行在线学习,促使特征提取器适应目标外观,并且提升决策模块对目标表示的利用能力。但是,现有在线学习策略常遭遇过拟合问题,从而使决策模块陷入局部关注,使特征提取器遗忘物体性信息。为了进行有效的目标域自适应,本文从增强目标表示和改进现有在线学习策略这两方面,提出了四种解决方案:（1）采用空间结构化信息来增强目标表示,提出用于多目标跟踪的结构与外观保持网络流算法。（2）纳入时域连贯性来丰富目标表示,提出用于视觉跟踪的循环记忆激活网络。（3）提出往复式学习算法来进行注意力约束,基于此算法的深度注意跟踪器能够避免因过拟合而导致的局部关注问题。（4）提出用于视觉跟踪的物体性迁移网络,该网络纳入物体性迁移学习来避免因过拟合而导致的遗忘物体性信息的问题。上述算法在标准的基准数据集上进行性能评估,大量实验结果验证了上述算法的有效性和鲁棒性。本文旨在研究视觉跟踪中的目标域自适应,提出纳入空间结构化信息和时域连贯性来增强目标表示,提出注意力约束和物体性迁移来提升模型长时鲁棒性,所提出的算法有效地促进了目标域自适应,提升了跟踪性能,推进了先进跟踪算法的发展。