视觉模型在精确且稳定的视觉跟踪器中起着重要作用。通常在经典的视觉模型中使用的视觉特征多是固定的或针对测试视频预定义的。然而,由于视觉特征的判别性通常因视频而异,所以使用固定的视觉特征会导致两种问题:一是,选用少量视觉特征甚至单一特征,会导致部分视频的表达不完善,使跟踪器跟踪精度差,跟踪器效果单一;二是,如果为了能够全面表征多样化视频而使用多种视觉特征,则会导致特征维度过高和信息冗余,进而拖慢跟踪速度,降低跟踪精度。针对以上问题,本文认为最好的办法是针对特定的视频可适应性地提供相应的高判别性特征子集,并使用低维度特征子集全面地构建相应的具有可适应能力的视觉模型,经实验证明,使用具有高辨别性的视觉特征子集来构建视觉模型可以显著提高视频目标跟踪的跟踪效果。本文提出了一种基于优化算法的视觉建模方法,该方法为特定的视频选择最有效的、最有辨别力的特征子集来构建视觉模型。本文将视觉建模问题转化为优化问题,定义评价方法来度量视觉模型的辨别能力,并引入优化算法用于解决建模问题。此外,为了保留最适合跟踪条件的视觉特征子集,这些选择区域指定自适应权重并构建Sequential Monte Carlo框架来进行参数更新。为了显示该方法的有效性,本文根据上述所提想法设计了两例实验,分别使用人工免疫算法和多目标遗传算法来解决优化问题,并在权威视频集Object Tracking Benchmark上选择了关键视频进行测试,使用AOR(Average Overlap Ratio)、ACLE(Average Center Location Errors)等评价指标以及具有代表性的视频的关键帧的跟踪情况分析来评估跟踪性能,并与近年来优秀的视频目标跟踪器的实验结果进行对比。实验分析和对比表明,经本文改进的跟踪器与经典的优秀跟踪器相比表现相当甚至更好,显著提高了跟踪器的性能。本文设计的实验证实本文提出的方法能够针对性地解决复杂多变的目标跟踪问题,在多种复杂视频的跟踪过程中都能展现出稳定性、精确性和较好的自适应性。