本文以视频目标跟踪为研究对象，重点分析和讨论了Struck目标跟踪算法。传统自适应跟踪算法把跟踪问题视为一个分类问题，利用在线学习方法去实现目标模型的更新。然而这些算法往往把预估计的目标位置当成已知的分类样本使用，使得分类样本不一定与实际目标相一致，故分类效果不佳，无法准确完成跟踪任务。而Struck算法通过明确引入输出空间，不需要把预估计的目标位置当成已知的分类样本来使用，并利用在线结构输出SVM学习方法去跟踪目标，直接给出跟踪结果完成跟踪任务。　　本文首先从视频目标跟踪基础入手重点分析研究Struck目标跟踪算法，通过Struck、TLD和CT三种算法在Benchmark视频库的精确度、成功率和鲁棒性三方面的结果对比总结出Struck的优缺点。实验表明Struck算法在这三方面均优于其它两种算法，当目标出现部分遮挡、运动模糊、背景杂斑等情况时，Struck算法能很好的完成目标跟踪任务，是一种稳定精度高的可长时间跟踪的单目标跟踪算法。目前Struck算法仅研究人脸目标跟踪，本文将Struck算法运用到车辆跟踪和行人跟踪这些具体的视频场景中去分析算法的实用性和应用前景。实验结果表明Struck目标跟踪算法在人脸跟踪、车辆跟踪和行人跟踪实验中均表现出较高的准确性；在没有特殊背景建模和遮挡处理情况下，Struck算法能应对摄像头角度焦距的变化和较好地适应一般复杂环境下的视频跟踪，具有实用性和鲁棒性。然而，当视频目标尺寸小可用细节信息较少、背景干扰严重或者目标尺度变化较大时，由于Struck算法的目标表示方法没有多特征相结合，且跟踪过程中缺少尺度变化的处理环节而导致跟踪漂移甚至失败。此外，受密集采样机制以及SVM算法本身复杂性影响，Struck算法运算速度的实时性较弱有待改善。最后本文从目标特征表示方法、SVM改进方法以及预测算法等方面对Struck算法提出了改进方案为后续研究人员深入Struck目标跟踪算法提供重要参考。