目标跟踪是计算机视觉领域中的一个重要研究方向,在视频监控、人机交互、无人驾驶以及军事领域都有广泛的应用。目标跟踪通过序列图像的视频信息建立模型,根据时间及空间的相关性,确定感兴趣目标在每一帧的位置和姿态,获得目标的运动轨迹,为视频监控系统中更高层的处理打下基础。目标跟踪经过二十多年的发展,已经取得了诸多进展与突破。但是,在复杂多变的场景下设计一个稳定、高效的表观模型,从而有效地应对光照、遮挡、形变等因素的影响仍然是一项挑战性的任务,同时也是目标跟踪中的关键要素。因此,本课题结合压缩感知理论、相关滤波以及深度学习等前沿热点技术,研究基于判别式目标跟踪方法如何设计并学习鲁棒的目标表观模型。首先,基于压缩跟踪方法的高效性,但存在性能不足的缺陷,提出了多模型的实时压缩跟踪算法。采用压缩感知来降低跟踪过程产生的高维特征,保证实时性能;通过判断前两帧的分类器最大分类分数的差值来选择最合适的模型,提高了定位的准确性;提出了新的模型更新策略,按照决策分类器的不同采用固定或动态的学习率,提高了分类精度。实验结果表明,提出的算法能够很好地适应光照、遮挡、复杂背景及平面旋转的情况,而引入的多模型没有增加计算负担,依然表现出优异的实时性能。其次,为了进一步提升跟踪的整体性能,利用当前效果优异的深度学习和相关滤波技术,提出了基于空间和语义卷积特征的目标跟踪算法。利用从卷积神经网络中提取的空间和语义卷积特征对目标进行持续跟踪;然后提取目标的空间特征构建多尺度金字塔相关滤波器,有效确定尺度等级;进一步提出新的模型更新策略,根据峰值旁瓣比和三阶统计量偏度综合衡量响应图的波动情况,保证了模型的新鲜性,从而避免不必要的更新。在目标跟踪的标准数据集OTB2013的结果表明,与当前12种流行的跟踪算法相比,提出的算法表现出色。最后,由于深度学习结合相关滤波的方法存在着模型过于单一而不能很好地适应多种挑战的限制,引入了分类器重检测模型,提出了基于双模型学习和多特征选择的目标跟踪算法。利用多种手工特征与深度卷积网络中的多层特征,共同建立多级特征融合的相关滤波模型,用于更加准确地预测目标位置;提出了分层峰值旁瓣比的指标,根据该指标的波动变化,激活在线分类器学习模型,对目标位置进行二次检测;将双学习模型预测出的位置结合,得到最终的跟踪结果。在双学习模型的保证下,跟踪的精度和稳定性得到较大的提升。在目标跟踪的标准数据集OTB2013和OTB2015上的结果表明,与12种当前主流跟踪算法相比,提出的算法取得了最好的跟踪成功率与准确率,并能较好地适应跟踪过程中的诸多挑战。