目标跟踪的应用领域诸多,如人机交互、安全检测、军事视觉制导等。由于外界环境、目标本身、算法的时间性能和准确度等的影响,限制了很多目标跟踪算法的应用场景。因此,构建鲁棒的跟踪算法具有重要的现实意义。本文从生成式目标跟踪方法和判别式目标跟踪方法两个方向出发,比较系统地研究目标跟踪算法。本文主要研究内容如下：1.讨论了目标跟踪中的难点,对生成式和判别式两种目标跟踪方法的应用场景和研究背景等进行了详细的分析,探讨了两种方法的相关算法,阐述了两种目标跟踪方法中比较经典的算法和相关重要细节,为全文的理论研究奠定基础。2.针对粒子滤波算法在有干扰的目标跟踪中可能出现的粒子多样性减少和精度下降等问题,研究并实现了一种新的基于约束知识的IP-MCMC-PF目标跟踪方法。该方法首先通过约束知识提高粒子预测的准确性,并通过多链并行的IP-MCMC方法提高粒子的多样性,有效地解决粒子退化问题；然后在此基础上通过PN学习算法在线更新抽样粒子的抽样分布和检测器的训练样本,实现目标跟踪算法的在线学习,有效提高了复杂背景下目标跟踪的准确度和自适应性。3.针对压缩感知目标跟踪算法存在的跟踪限制问题,提出了一种自适应压缩感知跟踪算法。该方法首先引入wu的方法解决了跟踪目标尺度单一问题；其次,使用分类器的分类结果反馈来决定是否更新分类器,通过分类响应值来预测目标受到的干扰,自适应的更新分类器参数；最后,增加了特征选择,根据特征的正负类条件概率分布的商的大小关系进行特征排序。将排序在前面的特征更新分类器,有效的提高了分类器的分类性能。4.选取多个不同情形下的跟踪视频,使用两种改进跟踪算法进行测试,并给出相应的跟踪数据和分析结果。实验结果表明,两种跟踪算法在多种干扰的情形下具有一定的鲁棒性。