视觉目标跟踪作为计算机视觉领域的重点研究方向,在视频监控、人机交互、智能交通、智能诊断、海洋探索、战场侦察等实际场景下得到了广泛应用。视觉跟踪的基本任务是,在给定视频的第一帧图像中,通过手工方式或者检测算法标注出目标的位置和大小,然后利用视觉跟踪算法预测目标在该视频后续每一帧中的位置和大小。视觉跟踪算法虽然经过了多年的发展,但仍然存在一些需要深入研究的问题:（1）目标表征能力弱。面对复杂多样的目标,需要选择合适的特征表示方法,才能对目标外观进行准确建模。一方面,针对不同的目标,往往具有不同的特点,应该选择不同的特征表示;另一方面,针对同一目标,如果在运动过程中外观不停地发生变化,也需要对其特征表示方法进行自适应调整。现有多数跟踪算法采用单一特征或者多个特征的简单融合,导致生成的目标特征对目标的表征能力较弱。（2）模型更新策略简单。视频中的目标外观一直处于变化中,甚至出现有些目标在相邻帧之间差异非常大的情形。为了适应这种变化,需要对跟踪算法观测模型进行更新。如果对模型每帧进行更新,不仅增加计算负担,当出现目标遮挡等情形时还会对模型造成污染,导致模型退化;如果长时间对模型不予更新,跟踪算法将无法适应目标外观的快速变化。现有的多数跟踪算法采用“不更新”或者“每帧更新”策略,不能满足鲁棒跟踪的需要。本文从目标深度特征表示和模型更新策略两方面对判别式视觉跟踪进行深入研究,主要工作总结如下:（1）提出了一种深度特征通道选择的方法,解决相关滤波框架下目标特征表示能力弱的问题。依据目标显著性区域与搜索区域的平均特征能量比对多通道特征进行裁剪,去除无效通道和干扰通道,同时提高了算法的跟踪准确度和跟踪速度。引入深层网络Res Net提取目标特征并进行特征融合,能够解决目标手工特征表达能力弱问题。利用深层网络Dense Net的特定层提取目标特征,发挥了更深层神经网络优点。利用通道选择对深度特征中存在的无效通道进行裁剪,提高了目标特征通道有效性,进一步增强了目标特征的表达能力。（2）提出了一种多特征博弈融合和高置信度模型更新的方法,解决相关滤波框架下目标多特征融合效果差和模型无法适时更新问题。利用多专家系统构造多个特征组合,并从中筛选出两个最重要的特征组合,再利用博弈论思想,对这两个特征组合进行博弈融合,能够提高多特征融合效果,得到鲁棒的融合特征;依据新提出的跟踪质量评估指标,设计了一种有效的模型适时更新策略。多互补特征博弈融合解决了手工特征或深度特征造成的特征单一问题,而利用专家系统构造多个特征组合并进行筛选,能够充分发挥HOG特征、CN特征和深度特征的优势,进一步提升了多特征融合效果,增强了融合特征的表达能力。（3）提出了一种轻量级空间注意力机制和连通域模板更新的方法,解决孪生网络（Siam FC）框架下主干网络目标表征能力弱和目标模板无法更新问题。在Siam FC基础上,将特征提取主干网络Alex Net替换为更深层次的VGG-19网络,并在模板分支主干网络后串接新设计的轻量级空间注意力模块LSAM,同时利用连通域模板更新策略,增强了主干网络特征提取能力的同时,实现了目标模板的选择性更新。将非局部注意力和通道注意力,以及全局上下文注意力和坐标注意力分别串联到主干网络尾部,能够实现模型对目标区域的重点关注,并提高模型对目标外观显著变化的适应性。使用双模板策略,解决了目标模板无法更新的问题。使用轻量级空间注意力模块LSAM和连通域模板更新策略,更好地解决了主干网络目标表征能力弱和目标模板无法更新问题。本文针对特征表示和模型更新两方面存在的问题,对判别式视觉跟踪算法展开研究,提高了跟踪算法性能。多个基准数据集上的实验结果表明,所提方法较好地解决了视频序列中存在的尺度变化、光照变化、目标遮挡、目标形变、背景干扰、低分辨率等具有挑战性的问题,实现了跟踪算法在复杂环境下的持续稳定跟踪,进一步促进了视觉跟踪算法在实际场景中的应用。