使用摄像机跟踪环境中的目标对象,目前有许多应用,如智能监控、医疗保健、智能交通和人机交互。视觉目标跟踪是一个非常活跃的研究领域,同时也是一项具有挑战性的任务。如今,视觉目标跟踪最流行的方法之一是检测跟踪。检测跟踪通常根据判别式学习模型,在线学习一个二进制分类器将目标和背景分离。这类方法的目标是设计一个鲁棒的分类器,动态捕捉目标和背景的差异性特征,适应跟踪过程中的视角、光照、姿态等变化。本文对常用的跟踪算法进行了深入研究,针对其中的难点问题进行分析并提出了一些解决方法。论文的主要成果如下:(1)提出了一种基于逻辑回归模型的集成学习跟踪方法。该算法借助简单快速的弱分类器预测目标。为克服弱分类器的性能缺陷,以逻辑回归对其进行选取和集成。该算法以简单特征(Haar-like特征)和粗糙分类器为基础,并显著提高了跟踪的准确性。(2)提出了一种基于相关滤波的自适应目标响应长时跟踪方法。为避免跟踪漂移,以目标附近的背景信息为先验,构造一个自适应目标响应的位移滤波器。在确定目标位置之后,利用一个一维尺度滤波器估计目标的尺度变化。同时,鲁棒的SVM检测器用以处理跟踪异常。通过以上三个模块的协作,该算法能够应对跟踪中的复杂场景。实验表明该算法性能优于其他同类算法。(3)提出了一种基于相关滤波的结构化输出跟踪方法。为了解决相关滤波器存在的边界效应,从空间域截取样本,剔除样本中的畸形部分;同时以结构化方式定义样本,更好地描述样本中包含的信息。该方法对于样本的处理使得滤波器能够学习到目标与背景之间的差异性特征。实验表明该算法能够适应目标和背景的变化,具有良好的跟踪性能。