视觉目标跟踪为计算机视觉的核心研究内容，在军事和民用的众多领域有着广泛应用，具有重要的研究价值。近十多年来，随着计算机技术飞速发展，目标跟踪得到了广泛的研究，涌现出许多跟踪方法和技术，然而，与人的视觉相比仍有很大差距，在鲁棒性和智能性方面仍有许多不足。目前，视觉目标跟踪研究的热点和难点为跟踪的鲁棒性问题，它在于跟踪算法如何应对实际复杂环境下，目标及场景中多种变化因素的影响，实现更为准确和可靠的跟踪。　　本文针对视觉目标跟踪的鲁棒性问题，以构建更为智能的视觉目标跟踪计算模型为出发点，从模拟人类视觉应对未知变化时的智能处理模式的角度，探索提高跟踪算法鲁棒性的途径和方法。本文通过模拟人类视觉感知体现出的显著特征区域选择、上下文学习等外部智能特性，与传统视觉跟踪方法结合，提出具有人类视觉智能特点的鲁棒跟踪方法:基于差异特征选择的跟踪、基于显著子区域选择的跟踪和基于上下文学习的跟踪，以此对鲁棒目标跟踪进行了研究。主要工作如下:　　1.对动态场景目标鲁棒跟踪问题进行详细综述，深入分析传统视觉跟踪的计算模型应对普遍面临的未知变化因素影响所存在的不确定性问题。通过与传统跟踪方法比较，分析了人视觉系统感知运动对象的关键因素，即感知的智能性，包括显著特征选择、关注显著区域、上下文学习、融合先验知识的特征学习与特征联想等智能特点;并就如何在传统跟踪方法中融合人视觉智能特性构建更为智能鲁棒的跟踪方法进行了探讨。　　2.模拟人类视觉关注目标显著特征的智能特点，在传统基于颜色特征的跟踪中融合显著特征选择策略，提出了基于显著特征选择的跟踪方法。根据前景和周围背景区域特征分布的差异性度量特征的显著性，从颜色空间中选择区分度高的显著颜色特征进行跟踪，降低了背景中相似特征的干扰，提高了跟踪的鲁棒性和精确性。　　3.模拟人类视觉关注目标显著区域的智能特性，提出一种在线选择目标显著子区域的跟踪方法。根据中心-周围差异及相对背景的差异提取具有区分性的目标子区域，通过跟踪误差分析子区域时序一致性;选择稳定的显著子区域，利用子区域局部与目标整体的空间关系估计目标位置。通过在线选择显著的目标子区域，提高了对部分遮挡和背景干扰影响的适应性。　　4.模拟人视觉利用上下文辅助跟踪的特性，提出了一种基于全局估计和背景学习的目标跟踪方法。在频域内分析目标表观与全局场景图像的相似度分布，通过采样相似背景和构建区分目标与背景的分类判别模型，抑制背景干扰导致的错误估计。跟踪方法将生成模型与判别模型相结合，弥补了传统跟踪方法因有限特征表示而存在的可靠性的不足。通过结合上下文，能够有效判断和抑制背景干扰，在目标短暂丢失情况下重新识别和检测出目标，降低了跟踪的漂移，提高了鲁棒性。