视觉目标跟踪是当前计算机视觉领域重要的研究课题之一,已广泛应用于医疗、军事和工业等各种领域。尽管目标跟踪技术在近几十年来不断取得显著研究成果,但实际场景下的跟踪任务仍存在许多不可预知的因素可能会导致跟踪失败,例如快速运动、背景遮挡和运动模糊等。这类因素产生的主要原因是目标在两帧之间由于自身运动或摄像环境变化所引起的剧烈位置变化。因此,如何适应跟踪中出现的目标不确定运动成为实现长期跟踪的关键问题。然而,传统算法基于目标平滑运动假设建立的运动模型在该场景下往往不足以实现稳定的跟踪。本文针对目标不确定运动问题,从基于MCMC(Markov chains Monte Carlo)的随机采样方法出发,结合深度学习(Deep Learning)技术,改善跟踪器在复杂场景下的跟踪性能。本文的主要创新与研究内容如下:(1)提出一种基于拓展WLMC和深度相关滤波的不确定运动目标跟踪方法(Extend Wang Landau Monte Carlo and Deep Correlation Filters,EWLCF-DP)。首先,在WLMC算法中引入多范围边际似然策略(Multi-Scope Marginal Likelihood,MSML)以提高有希望区域中样本接受率,从而获得更可靠的状态密度(Density-of-states,DOS)分布。其次,为了提高跟踪器的效率,DOS得分较高的状态空间被用来标记有希望区域,然后利用相关滤波操作简化有希望区域中的迭代寻优过程,实现在有希望区域内通过最大响应定位目标。最后,设计了统一的跟踪框架,使深度相关滤波器和EWLMC方法互补以提高跟踪器在目标不确定运动场景下的跟踪性能。(2)提出一种基于对象信息与随机采样区域建议的不确定运动目标跟踪方法。首先,以一个新的视角将随机采样方法引申为一种区域建议机制从而得到实例化的目标级区域建议。同时,针对随机采样方法难以引入深度特征的问题设计了一种特征空间采样方法,使深度特征空间下全图单次特征提取代替图像空间下多次交叉提取样本手工特征,从而实现基于深度特征快速获取全局候选。其次,利用对象信息(即全局前景区域分布)构建对象标签来约束特征空间采样,提高候选框包含目标的概率。然后,通过对象得分与似然得分构建的区域建议评价方法筛选目标级建议以得到少数高质量的目标-对象建议(Target-objectness Proposals,TOP)候选区域。最后,将采样建议和回归方法整合在同一跟踪框架中提出基于TOP的跟踪框架,其中包含一个目标验证模块用于在不确定运动发生时调用TOP恢复跟踪。(3)对提出的算法在包含十个视频的不确定运动序列以及OTB-2013(Object Tracking Benchmark)、OTB-2015、TC-128(Temple Color)和UAV-123(Unmanned Aerial Vehicles)四个目标跟踪测试数据集上进行了广泛的实验,结果证明提出的EWLCF-DP与TOP跟踪器与流行的跟踪方法相比具有较强的竞争力,特别是针对目标不确定运动问题。