随着计算机视觉的不断发展,视觉目标跟踪算法日益受到学术界的关注。在智能驾驶、智能交通、智能安防和人机交互等应用领域,视觉目标跟踪同样发挥着至关重要的作用。然而,如今视觉跟踪算法依旧面临着巨大的挑战。一方面是目前的视觉跟踪算法,难以处理目标遮挡、光照变化等实际场景中的挑战;另一方面是当前大多数视觉跟踪算法设计思路源自目标检测算法,忽视了目标在连续时间内运动的时空相关性。除此之外,算法速度与精度之间的平衡也是研究者们关注的重点。因此,如何应对上述种种挑战,成为了计算机视觉领域的重要研究课题。本文受人类视觉注意机制启发,提出一种融合视觉注意特征的目标跟踪策略,尝试解决视觉跟踪算法无法利用时空连续性的问题,同时应对跟踪算法在实际场景中面临的挑战,并在相关数据集上验证了该策略的有效性。本文主要研究内容包括:1)阐述视觉注意特征的来源与动机,提出视觉注意特征的概念及其构成。在此基础之上,分析视觉注意特征与传统图像特征的区别和联系。随后说明视觉注意特征对于跟踪算法的作用及影响。此外还介绍了一种适用于跟踪问题简单高效的视觉注意特征提取方式。2)分析判别式跟踪算法的优劣,有针对性的提出广义视觉注意特征融合策略。随后在这种策略基础之上,选取相关滤波和Tracking-by-Detection类算法的典型代表KCF及PF+Ho G,分析两种算法的特点,并分别融合视觉注意特征中的运动特性和显著性。3)在目前主流的视觉跟踪算法评测数据集OTB2013及OTB2015上,对两个融合视觉注意特征的改进算法进行评测。最后通过定性分析和定量分析,验证本文提出的融合视觉注意特征的目标跟踪策略的有效性。同时证明融合视觉注意特征,可以将基线算法提升到state-of-the-art。