本课题来源于某**红外跟踪平台的预研项目。在线红外跟踪是一个极具挑战性的问题,在精确制导、飞行控制、无人机侦察、安防智能视频监控、基于视频的人机交互以及智能视觉导航中都有着广泛的应用。由于红外图像相对于可见光图像大多对比度较低,因此现有的大量视觉跟踪方法在实际应用时难以对红外图像中目标进行快速准确的检测和鲁棒的跟踪。本文采用了近些年兴起的基于检测的跟踪系统作为基本的红外跟踪模型。针对该跟踪模型中的采样标记环节,专注于研究通过减少标记信息的错误来减弱在红外跟踪过程中出现的漂移问题,从而实现鲁棒的在线红外跟踪。本文的主要贡献如下：首先,本文基于充分性降维和半监督学习首次提出了充分性半监督特征提取理论,并设计了充分性半监督红外特征提取算法(fusion refinement:FR算法和semi-supervised kernel fusion refinement:SemKFR算法)。前一种算法提取的是线性特征,后一种算法提取的是非线性特征。相比于其他特征提取算法,本文提出的这两种算法能够同时利用部分置信度高的标记信息和大量未标记信息,且以最小化样本信息损失为目标来提取样本特征,因此提取的特征具有更强的区别性。文中大量红外图像的实验结果也证实了这两种充分性半监督特征提取算法的特征提取能力。其次,研究了基于半监督粗糙公共向量(SRCV)的在线红外跟踪算法。该算法继承了半监督学习能够部分标记样本的特性和判别公共向量(DCV)算法对于小样本问题的鲁棒性。在红外跟踪的初始阶段,由于样本匮乏,每个样本(图像块)维度很高,这是典型的小样本问题。经研究发现,本文提出的SRCV算法在样本较少时仍能够学习红外目标的低维特征。同时为了适应在线红外跟踪,本文在SRCV算法的基础上提出了增量式的SRCV在线特征提取算法(ISRCV).ISRCV算法利用随机投影树(RPTree)来近似红外跟踪过程中增量式采集样本的内部流形结构,同时借助于RPTree构造了用于在线学习的目标函数,并提出了迭代更新准则求解算法。实验结果及分析表明,ISRCV提取的在线特征能够有效保存红外目标的主要特征,在实验中取得了与现有算法相近的跟踪效果。再次,设计了基于边缘信息的半监督红外特征表达算法(增量半监督推广的公共向量分析算法：ISSGCVA)。在利用基于检测的跟踪系统框架设计在线红外目标跟踪的过程中,即使是采样少量的标记样本也可能会存在标记误差。本文提出的ISSGCVA算法不需要指定每个样本的具体标记信息,而只用给定相似和不相似样本对,就可以进行特征的学习,从而能够进一步减小标记信息对于红外跟踪漂移的影响。同时,ISSGCCVA算法放宽了投影向量严格位于相似离散矩阵的零空间的约束,通过这种方式,本文的ISSGCVA算法既能够处理红外跟踪初期的小样本情形,又能够处理较长时间跟踪后的大样本情形。此外,本文还详细推导了一种有效的迭代算法来快速求解ISSGCVA算法的目标函数。最后本文基于边缘信息的ISSGCVA算法提出了一个在线红外跟踪系统,并在实验中证实了它的有效性。接着,本文针对基于检测的跟踪系统框架中的分类器模块进行了研究,探索了一种改进的半监督增量可变流形嵌入(ISemFME)分类算法。ISemFME算法继承了半监督学习能够同时利用标记和未标记样本进行分类模型的学习,而且能够在线的更新分类算法的参数,以适应红外跟踪过程中目标外观的不断变化。同时,考虑到目标外形的多样性,ISemFME算法引入了回归误差函数来构造目标函数,并且证明了该目标函数是凸函数,可以解析求解。为了适应在线红外跟踪,本文还提出了缓冲策略(buffering strategy)来降低ISemFME算法的时间复杂度和空间复杂度。在VOT-TIR2015红外数据库上,基于ISemFME算法跟踪系统表现出了较低的时间复杂度和很高的跟踪准确率。最后,由于红外小目标缺乏一定的外观形状,很多的特征提取算法并不能对红外小目标有很好的效果。本文针对红外小目标提取改进了一种融合图像增强和目标提取的算法—增强一比特变换(Enhanced one-bit transform:En1BT)算法,并且在实验中验证了该算法的有效性。本文围绕基于检测的跟踪系统,研究了红外跟踪过程中的两个关键问题：如何提取鲁棒的红外目标特征以及怎样在观测噪声下构造分类函数,提出了基于半监督学习的在线红外跟踪系统,并在大量仿真实验中得到了证明。本文所提出的在线半监督红外跟踪理论、模型和算法对于其他的计算机视觉理论及应用也有指导意义。