视觉跟踪作为计算机视觉任务的一个重要分枝,在智能监控、人机交互、智能驾驶等领域得到广泛的应用。在复杂环境下,目标在运动过程中由于自身形态的变化,或者环境因素对目标表观的干扰,都易引起跟踪器性能的下降,使得鲁棒的跟踪动态变化的目标成为一项艰巨的任务。因此,如何利用样本间的相关信息为跟踪模型提供更丰富的学习数据,如何根据目标的变化构建出合理的跟踪模型,是提升跟踪性能的关键。为此,本文以视觉跟踪主流方法的深度学习和相关滤波器模型为研究基础,结合样本的时间维度信息和空间维度信息,重点研究基于相关滤波器跟踪方法的边界效应自适应抑制以及基于深度网络跟踪模型的样本信息优化问题。本文主要的研究内容和方法概括如下:（1）提出一种基于贝叶斯相关滤波器学习的视觉跟踪方法。针对相关滤波器跟踪模型的边界效应抑制问题,为了使跟踪器可以应对目标在运动过程中的形态变化,研究边界效应的自适应抑制方法是提升相关滤波器跟踪性能的关键。针对以上问题,本文提出使用结构高斯尺度混合模型分解相关滤波器的跟踪方法。具体的,相关滤波器系数被高斯尺度混合模型分解为稀疏乘子和高斯尺度向量的乘积表示,稀疏乘子可以自适应的学习目标和背景的区域信息,通过与高斯尺度因子相结合,使得滤波器在学习高斯系数的同时被稀疏乘子约束,实现了相关滤波器边界效应的自适应抑制;其次,考虑到目标相邻点之间的相关性,引入结构高斯尺度混合模型对目标和背景的空间相关性信息进行建模。最后,通过多个测试集的结果证明了所提模型有利于相关滤波器跟踪性能的提升。（2）提出一种基于时-空信息建模的相关滤波器跟踪方法。相关滤波器的边界效应和模型衰减问题都是制约跟踪性能的关键。针对以上问题,本文提出基于时-空信息建模的相关滤波器跟踪方法。通过对时间信息和空间信息的同时建模,实现边界效应的自适应抑制和缓解模型衰减问题。具体的,使用高斯尺度混合模型对跟踪目标进行稀疏建模,实现了对相关滤波器边界效应的自适应抑制;然后,使用非零均值的高斯尺度混合模型对相关滤波器进行分解,把学习到的滤波器系数通过均值参数传递到后续的模型更新学习中,实现时间信息的自适应建模,时间信息的计算不涉及额外的计算参数,不影响模型的运算复杂度。进一步的,考虑到目标内部特征间的相关性,引入非零均值的结构高斯尺度混合模型对目标的空间相关性信息进行建模,从而实现了基于时-空高斯尺度混合模型分解的相关滤波器跟踪方法。最后,通过在不同的跟踪框架的对比实验证明了所提模型有利于提升跟踪器的定位精度。（3）提出一种基于自注意力机制的视觉跟踪方法。基于孪生网络的跟踪算法通过计算目标模板和搜索样本的相似度进行跟踪处理,当目标在运动过程中的表观形态变化较大时,单一的目标模板无法提供有效的匹配特征,不利于目标的跟踪处理。合理的利用与搜索样本高度相关的历史数据,有利于跟踪模型处理目标的表观变化问题。针对以上问题,本文提出基于自注意力机制的视觉跟踪方法。首先,使用多历史样本作为目标模板信息,与使用单一目标模板的方法相比,多参考目标模板方式可以提供更加丰富的目标多样性信息。其次,使用自注意力模块计算搜索样本和目标模板数据的相关性,获取样本在时间维度的关联信息。然后,根据搜索样本的空间结构信息,使用查询-读取模块从目标模板中筛选出有利于搜索样本跟踪计算的有效特征信息。时间信息模块和空间信息模块的联合使用实现了模型对模板样本的筛选,提升了模型的目标辨识能力和跟踪性能。进一步的,使用边框生成方式对目标边框进行处理,有利于模型应对目标的外观变化问题。最后,不同的测试集的结果验证了所提模型的有效性。