近年来,随着计算机硬件设备的迅速发展和进步,图像采集设备逐渐在人类生活的各个领域得到了广泛应用,从而使得计算机视觉领域中以运动目标图像为研究对象的目标跟踪技术受到国内外研究人员的广泛关注。目标跟踪技术是一门融合了数字图像处理、模式识别、机器学习、数理统计、生物学以及心理学等多方面前沿理论的跨学科综合技术。目标跟踪技术作为计算视觉领域中的核心技术之一,目前已经融入到人类生活的各个方面,特别是在智能视频监控、人机交互以及军事国防建设等领域有广阔的应用前景。在计算机视觉系统中,准确地跟踪目标是后续目标识别和行为分析的基础,但是由于被跟踪的目标周围环境的复杂性以及目标自身外观的多变性,研究一种具有普适性的目标跟踪算法仍然是一种非常具有挑战性的工作。在此背景下,本论文主要在深入研究现有在线目标跟踪算法的基础之上,针对目标外观模型的在线建模和学习过程中存在的缺点和不足,提出了三个在线跟踪算法提高了目标跟踪的鲁棒性。本文的主要研究内容如下:压缩感知跟踪算法是一种在压缩域进行目标外观模型的建立和更新,再利用模型进行目标定位的检测跟踪算法。然而,压缩感知跟踪算法采用单一分类器进行目标跟踪,如果选择定位的区域产生漂移,分类器将会变得越来越不准确最终导致目标丢失。此外压缩感知跟踪算法采用恒定的学习率更新分类器,如果目标经历一段较长时间的严重遮挡,分类器中目标特征将被遮挡特征所取代,从而导致目标的丢失。为了解决上述问题,本文提出一种基于混合分类器决策的压缩感知跟踪算法。在跟踪的过程中,该跟踪算法采用混合分类器决策模型对目标进行定位,并且针对混合分类决策模型提出了使用动态的学习率对外观模型进行更新的策略。从而有效提高了跟踪算法处理遮挡、背景混杂等干扰因素的能力。L1稀疏表示是一种生成模式的跟踪算法,可以有效的适应目标外观的变化,但是却丢失了目标的背景信息。而压缩感知跟踪是一种判别模式的算法,可以有效利用目标的背景信息,但是在跟踪过程中缺乏一种有效的机制对跟踪结果进行评价。为了利用两类跟踪算法的优点进行融合跟踪,本文提出一种融合L1稀疏表示检测的压缩感知跟踪算法。主要创新点在于通过采用L1稀疏表示方法对判别模式的分类器的跟踪结果进行检测反馈,并根据检测结果选择不同阶段的分类器对目标进行跟踪。与此同时,针对不同阶段分类器的跟踪过程中稀疏表示字典中模板更新问题,使用一个二阶段的模版更新策略来保持字典中最具有代表性的模板。从而使得融合跟踪算法在复杂环境下具有更好的鲁棒性。近年来,基于核化相关滤波的跟踪算法（KCF）在精度、成功率以及速度上战胜了以前提出的大部分跟踪算法。然而,当目标经历剧烈外观变化时,固定每帧进行滤波器更新的KCF跟踪算法容易在定位目标时容易产生漂移。此外,KCF跟踪算法在经历长时间的遮挡等干扰因素的影响下,滤波器模型会丢失真实的目标外观,从而导致目标丢失后无法重新定位。为解决上述问题,本文提出一种基于多阶段学习的相关滤波跟踪算法,主要创新在于:提出了包括全局阶段滤波器模型、一致性阶段滤波器模型以及初始阶段滤波器模型的多阶段学习滤波器模型并行的对目标进行跟踪;在此基础上,采用向前向后跟踪的方式选择“纯洁”的训练样本对一致性阶段滤波器进行更新,从而使得三个滤波器模型对应的外观模型存在互补的关系。实验结果表明,多阶段学习的滤波器模型不仅可以有效的缓解KCF跟踪算法的漂移问题,而且可以在局部范围内实现目标丢失后的重新定位。