作为计算机视觉领域内的一项基础性的前沿课题,视觉目标跟踪在智能视频监控、无人汽车和人机交互等许多方面有着重要的应用。尽管近年来视觉目标跟踪算法取得了许多创新性的成果,但是由于目标外观的复杂变化(例如全遮挡,非刚性形变旋转等)、场景中的光照变化、相似目标的干扰等问题,实现精确鲁棒的目标跟踪仍然面临诸多挑战。本文从建立鲁棒的目标外观模型出发,对互补特征融合、目标重检测和训练样本不足等几个问题进行了深入研究,主要研究工作和创新性成果如下:为了有效地提升目标外观模型的鉴别力和鲁棒性,本文提出了一种互补特征融合方法,该方法充分利用了目标的不同特征对于复杂场景的适应能力,解决了单特征模型对于复杂场景鲁棒性不足的问题,有效地提升了外观模型的鉴别力和鲁棒性。针对目标发生遮挡或非刚性形变易丢失的问题,本文提出了一种具体目标候选生成器,该方法通过利用目标的先验信息能够准确地搜索丢失目标的候选。通过大量的对比实验证明,该方法能够有效地处理由目标遮挡、非刚性形变等因素导致的目标丢失问题。为了将相关滤波和孪生网络这两个框架的优点相结合,本文将相关滤波算法视为孪生网络的一个特殊层(即相关滤波层)。此外,针对孪生网络框架训练样本不足的问题,本文提出了一种基于上下文的跟踪方法,该方法利用目标的上下文内容有效地扩充了训练样本的数量,有效提升了算法的精确度和鲁棒性。