目标跟踪是智能视觉中的一项关键核心技术，也是一个重要而富于挑战性的前沿研究课题。视觉跟踪技术被广泛应用于智能化的交通系统、安防监控、多媒体、机器人等复杂工程项目中。本文研究开发的状态计算方法旨在对视频序列中的目标对象实现精准而稳定的自动跟踪，其主要内容可以概括如下：
　　(一)提出了基于划分损失计算的视觉目标跟踪方法。该方法使用了增量型离散余弦变换及结构化的信息损失表示，其可以自适应地将样本图像序列做分块处理，结合划分系数，以加强目标前景区域内更具判别力局部面片的积极效应，减弱其周围背景区域可能包含附近环境干扰的负面影响。在线状态预测过程即为粒子滤波概率推断框架内，通过似然评估进行最大后验求解。
　　(二)提出了基于双向缩放计算的视觉目标跟踪方法。该方法使用了判别式相关滤波模型及多通道的图像样本表示，其可以自适应地根据目标外观出现的均匀或非均匀缩放变化，分别沿着水平方向和垂直方向高效地完成尺度搜索，通过尺度状态检测响应评估及双向尺度至尺寸转换模块，以获得不同方向上的最佳尺寸，在线实时预测具有动态宽高比的矩形目标边界框。
　　(三)提出了基于在线融合计算的视觉目标跟踪方法。该方法使用了证据性推理分析策略及决策级的系统线索协同，其可以自适应地利用多跟踪预测器的判别特性和互补属性，以克服复杂环境中和困难情况下，单一深度学习方案的局限。通过对目标中心和区域进行在线评估判断，融合潜在有价值的决策，抑制可能失败的决策，并在跟踪过程中完善目标状态的预测结果。
　　本文所提出的跟踪算法可以有效增强真实场景中目标跟踪的状态预估能力，减轻视觉跟踪过程中出现的位置漂移偏离，以及灵活应对目标区域宽高尺寸的自由变化。目标跟踪基准测试数据上的定性与定量比较实验结果，表明了本文所提出的视觉目标跟踪方法的准确性和鲁棒性。