运动模型和模型更新器是视觉目标追踪的两个重要组成部分。有效的运动模型需要在目标处理上进行适当的平衡,来完成目标的外观表示和场景分析,从而描述出稳定的背景信息,但是大多数传统的跟踪算法都集中在这二者的其中之一上,而没有达到正确的平衡。优秀的模型更新需要考虑跟踪速度和模型漂移,大多数跟踪模型是在固定帧上更新的,这样是无法达到最佳状态的。在本文中,我们通过协同使用显著性区域检测和超像素图像分割来处理运动模型问题,这两种方法分别有其侧重方向:在没有先验知识的情况下,前者考虑像颜色、渐变、边缘和边界等图像属性,然后形成一个粗糙的目标表征;后者通过使用视频序列中的目标和背景的先验知识将单个像素聚合成有意义的连通子区域。二者充分发挥互补作用,构建更加合理的置信图。对于模型更新问题,我们通过分析图像相似程度来得到场景稳定性信息,以此来动态更新模型,不仅降低了模型的更新频率,而且抑制了分类器过拟合导致的模型漂移。整合两处改进方案,将其应用到传统跟踪算法CT的流程中,用实验证明了改进方案的有效性和鲁棒性。