作为计算机视觉领域的重要分支之一,视觉目标跟踪得以迅速发展,并在无人驾驶、体育赛事直播、智能监控、人机交互等众多领域表现出非常好的适用性。由于跟踪的物体容易受到光照变换、遮挡、形变和旋转等因素的影响,因此设计出一个同时具有时效性和鲁棒性的跟踪方法是很困难的。在过去十几年中,研究者们已经提出了各种不同的跟踪算法来应对这些挑战,目标跟踪技术也有了很大进步,但是仍然有一些问题需要解决。本文从致力于解决跟踪过程中某些难点属性的角度出发,利用多特征分别与稀疏编码和低秩重检测算法融合,对目标跟踪进行了研究,分别在表观模型的构建以及解决遮挡问题等方面取得一些创新的研究成果。论文的主要贡献归纳如下:为了提高基于稀疏表示的表观似然模型在复杂背景下的适应能力,我们提出了一种目标表观字典和背景字典协同结构稀疏重构优化的目标跟踪方法,这里通过构建一个有判别力的基于稀疏表示的表观似然模型,实现了对目标表观模型更为准确的描述。通过合理选择约束候选目标区域和候选背景区域的稀疏系数,在表观似然模型中引入判别式信息,进一步的揭示候选目标区域的潜在相关性和候选背景区域的结构关系,从而来更加准确的学习候选目标区域的表观模型。由于时空上下文(Spatio-temporal contex,STC)仅仅使用了灰度信息特征,而且其简单的模板更新策略以及缺乏重检测机制,使得该算法在遮挡等问题上存在缺陷。为了缓解这一问题,我们通过融合多通道特征,构建出有效的复合信息的时空上下文,通过利用所跟踪目标的周围特征信息,增强目标表观表达的判别性。通过低秩矩阵分解这种简单有效的方法将跟踪目标的历史信息用于构建在线检测器,以此来保障跟踪算法结构一致的稳定性,使得该跟踪方法在目标跟踪失败后能够迅速恢复。