目标跟踪是计算机视觉中一个重要的研究问题，其融合了人工智能、机器学习、图像信号处理、社会心理学等不同学科的内容，在智能监控系统中占有重要的地位，并具有广阔的应用前景。本论文以目标跟踪为主要研究内容，通过分析跟踪目标的表观结构特征，多目标之间的关联属性，及这些属性之间的结构化信息来提升目标跟踪的性能。针对目标自动跟踪中基本的几个问题:单目标跟踪时的遮挡、姿态变换问题，以及多目标在线跟踪中的关联结构化学习和局部优化问题，提出了一些新颖的解决方法。论文的整体指导思想是综合结构化学习以及结构化表示，来设计目标跟踪算法。论文的内容主要分成两大方面:一方面，从结构化表观约束出发，设计对遮挡和姿态变化具有鲁棒性的单目标跟踪算法;另一方面，从结构化学习角度，设计快速准确的多目标跟踪算法。具体的研究内容如下:　　第一，目标跟踪中的遮挡问题是一个必须考虑的因素。大多数目标跟踪算法采用统一的方法来处理遮挡和表观变化，比如采用弱特征加权，特征选择等等，或者直接把遮挡看作目标表观的噪声进行估计。这些方法对于长时间、大尺度的遮挡不是好的解决方法。本文采用一种显式的遮挡判别方法，通过把目标区域划分为规则的分块，对每个分块采用高效的随机森林学习算法判别他们的遮挡情况。并通过一致的策略把遮挡判别方法嵌入多个跟踪算法中。实验表明本文的方法能提高严重遮挡情况下目标跟踪算法的性能。　　第二，目标跟踪中多姿态问题会严重影响跟踪算法的性能。通常，基于特征模板更新的算法对于大尺寸的姿态变化问题很难有理想的结果。但是对于人体跟踪时的多姿态变化问题，具有很强的局部刚体特征。基于此观察，本文提出了一种基于局部刚体运动和全局结构化约束的人体跟踪算法。我们把人体自适应的划分为多个局部刚体，这些局部刚体之间建立树形的结构约束规则项。对每个局部刚体，采用刚体跟踪的方法得到快速的跟踪结果，同时附加局部刚体之间的树形结构约束。对每次跟踪过程，采用全局相似性选择最符合结构约束又保留局部刚体属性的跟踪结果。实验结果表明我们提出的方法具有很好的跟踪性能及可扩展性。　　第三，在多目标跟踪中，如何计算当前帧中的检测目标与已有目标轨迹之间的匹配亲和度是正确跟踪的关键问题。过去的方法大多以经验的方法或者离线学习的方法确定匹配亲和度，但是这种固定的亲和度对于不同的场景缺少自适应能力。本文中提出一种基于在线学习的多特征亲和度融合算法。把在线关联形式化为结构化输出学习问题，多特征融合转化为权重学习算法，通过在线结构化学习算法，可以增量的更新多个特征的权重。更进一步，为了提高匹配的泛化能力，引入了关联判别项，以区分正确的匹配和错误的匹配。这个判别项的引入，有助于增加关联跟踪的正确性。与其它在线跟踪算法和全局优化算法相比，我们提出的亲和度学习算法有更好的关联可靠性，和实时适用能力。　　第四，目前多目标跟踪算法通常采用两种机制:基于全局状态优化的多目标跟踪算法和基于在线状态更新的多目标跟踪更新算法。全局优化往往因为信息全面，优化问题明确而得到更好的结果，但很难用于在线应用场合;而在线目标跟踪在遇到局部的错误跟踪以及漂移等问题后，通常很难纠正回来。基于此，本文提出一种基于全局优化和在线关联相结合的跟踪算法，算法具有准确性高，延时低的优点。我们通过向前预测多个短期关联，获得多种可能的多帧跟踪假设，然后通过一个时间段内的全局轨迹特征来判别最佳的跟踪结果。相比过去的多假设算法，我们克服了假设组合爆炸的问题;相比简单的在线贪心跟踪算法，此算法相当于扩展了匹配特征，因此具有更加准确的关联结果，和一定的错误矫正能力，并可以方便的扩展到无延时可矫正的在线跟踪系统中。