目标跟踪在计算机视觉领域应用中起着至关重要的作用,如无人机跟踪、无人驾驶、运动分析、海上营救和视频探测等。本文采用计算机视觉与机器学习的方法深入研究受长时间遮挡行人的跟踪识别。在复杂环境中完成受长时间遮挡行人的跟踪识别是一项极具挑战性的任务,而判别性表征是完成该任务的必要条件。因此,本文深入分析多种特征在不同目标跟踪场景中的变化,并通过实验验证得出结合深度特征、颜色特征及姿态特征作为表征的方法能在公共数据集测评中获得较好的结果。随后为让表征适应不同的跟踪场景,本文提出适应性表征网络(ARN)动态地结合颜色特征、深度特征和姿态特征设计目标表征。而后分别采用欧式距离和局部约束线性编码(LLC)作为度量方式完成队列匹配。另外,本文提出姿态监督模块(PSM)提升目标框的精确性和引入IOU过滤模块(IFM)消除检测框冗余,最后设计一个结合ARN、PSM以及IFM的动态表征跟踪器(DRT)。考虑到当前学术界缺少长时间遮挡行人跟踪数据集,本文针对行人遮挡跟踪算法的性能评价构建行人遮挡跟踪数据集(POTD)。本文算法与15种跟踪算法均在公共的OTB-2015数据集中的7组视频序列以及POTD数据集上完成测试。实验结果表明,相比于其他算法,本算法在完成受长时间遮挡行人的跟踪识别任务中获得更高准确度。