目标跟踪是计算机视觉领域研究方向中的一个重要方面,它以跟踪目标物体在视频的每一帧中所呈现出的外观和运动状态的变化为主要目的。本文对目标跟踪领域的经典理论和算法进行了总结,重点分析了目标跟踪任务中的挑战、有代表性的跟踪方法,以及目标跟踪领域发展的历程和近年来的发展趋势。在此基础上,本文提出了两种基于局部外观模型的目标跟踪方法,即基于结构化局部稀疏表示外观模型的自适应跟踪方法和基于在线多核学习的子块目标跟踪。本文首先在生成模型的框架下引入局部外观模型,提出了简单而有效的基于结构化局部稀疏表示的外观模型。通过对目标上的局部图像块进行稀疏编码,然后将得到的编码系数进行平均化和对齐汇聚操作,来充分利用目标的空间结构和局部信息。这样可以找到目标上那些表现稳定、外观变化小的局部模式,利用它们来实现跟踪器对目标的鲁棒跟踪。此外,本文还提出了基于稀疏编码和增量子空间学习方法的更新策略,使得跟踪器可以自适应地捕捉目标的外观变化,并减小错误定位和遮挡带来的误更新。本文还在判决模型的框架下引入局部外观模型,提出了一种新的基于多核学习算法的子块目标跟踪方法。针对视频跟踪任务中帧与帧之间的时间连续性,本文对原始多核学习方法进行了改进,提出了在线多核学习方法并将其用于多个子快上来实现对目标的表示,这样可以自适应的融合多个子块的判别能力,获得具有更强前景背景区分能力的分类器。为了进一步增强方法的鲁棒性,本文方法使用具有互补性质的两种特征来对子块进行描述,使得对目标的表示更加丰富和充分。之后,针对每一种特征训练一个分类器,并根据它们的表现来赋予相应的权重。通过在大量挑战性图像测试序列上进行测试,验证了本文提出的算法的有效性,而且跟踪的表现可以与当前最好的一些方法相媲美。