目标追踪是计算机视觉领域的重要组成部分,其所衍生的应用产品为人们的工作与生活带来了极大的便利。本文研究工作的核心为单目标追踪任务,该任务的目的是根据第一帧或前几帧图像所提供的信息对后续视频序列中待追踪物体的尺度和位置进行预估,而较高的鲁棒性则会使得追踪器能够较好地应对各种因素（诸如:遮挡、光照变换和脱离视角等）对其的影响,从而使得其所预测的结果更为准确。因此,如何使得所设计的追踪器具有更好的鲁棒性一直以来都是本领域科研人员所追求和研究的方向。然而,追踪任务自身性质决定了追踪器在训练过程中所获取的信息较为有限,这些信息一部分来源于追踪开始前已标注的图像,另一部分来则源于追踪器的预测结果,而所预测的结果很可能存在一定的误差,进而影响到后续的追踪效果。因此,如何更为有效地对有限的信息进行利用是提高追踪器鲁棒性的重要因素之一。本文以协同表示和相关滤波理论为基础,针对上述所发现的问题提出了一系列目标追踪算法,旨在提高追踪器的鲁棒性。具体而言,本文的主要研究工作如下。为缓解追踪器对字典中样本信息利用不充分的问题,本文提出了一种基于鉴别性协同表示的目标追踪算法。该算法使得其所建立的鉴别式协同表示模型和状态估计模型能够较为有效地利用字典中所提供的信息。为更加有效地利用字典中的信息,本算法将所提出的鉴别性约束引入到鉴别式协同表示模型和状态估计模型中,该约束能够加大重构系数中正、负样本的边界,从而提高追踪器的鉴别力和鲁棒性。此外,该算法中的正样本更新策略能够降低字典中正样本集被不准确的追踪结果所污染的可能性。针对追踪器在追踪过程中受到与目标相似的干扰物所影响而产生的误判断问题,本文提出了一种基于相关滤波的干扰物感知目标追踪算法。该算法对相关滤波器训练模型中的回归项进行了改进,并通过对上一帧响应值图预检测的方式寻找可能存在的干扰物信息,使得滤波器能够汲取到干扰物信息,从而提高滤波器的鉴别力。同时,该算法为干扰物建立相应的负滤波器,并提出了重检测机制,该机制能在校对追踪结果的同时,还能对上一帧预测不准确的追踪结果进行纠正,从而进一步提高了追踪器的鉴别力。此外,该算法中所提出的尺度预估算法与滤波器更新算法能够较好地提升追踪器的自适应力和稳定性。为缓解传统的相关滤波模型中由循环移位采样策略所造成的正、负训练样本不均衡,以及由正/余弦窗所造成的负训练样本中信息缺失等问题,本文提出了一种基于协同相关滤波器的目标追踪算法。该算法中的字典主要包含三个部分:目标的历史外观样本、根据上一帧预测结果所获得的训练样本与目标周围背景样本。然而,考虑到传统的相关滤波训练模型无法容纳这些信息,因此该算法对其进行重构,使得滤波器能够充分地利用字典中的信息。此外,该算法中的字典更新机制能够对追踪所预测的目标进行筛选与更新,使得该算法的鲁棒性有着较大地提升。针对深度特征对训练/测试样本中所存在的语义信息表征不足,以及所使用的深度网络与追踪模型不契合等问题,本文提出了一种基于相似物感知的相关滤波网络目标追踪算法。该算法主要包含离线训练和在线追踪两个部分,而同时构成这两个部分的主要算法为基于相似物感知的滤波器训练算法和集成学习算法。前者使得追踪器对样本中的深度特征含有抗相似物干扰的语意信息;后者则为追踪器融合出更具有鉴别性的响应值图。