目标跟踪是计算机视觉的主要研究内容之一,近年来得到广泛的关注和发展,涌现了很多有效的视觉目标跟踪方法。但是,针对复杂多变的跟踪场景,目前的方法在实际应用中的表现还有待提高,有效并且鲁棒的目标跟踪仍然是个充满挑战的问题。本文对在线单目标跟踪进行研究,并尝试解决在实际跟踪场景中的难题,包括光照变化、形变、快速运动、遮挡等。我们围绕这些问题展开,主要工作包括以下三个方面:首先,针对用单一特征训练跟踪模型进行跟踪鲁棒性较差的问题,本文提出一种多特征表示的混合模型跟踪方法,将生成跟踪模型与判别跟踪模型结合。在生成模型中,利用基于颜色的特征表示来计算目标和候选之间的匹配度;判别模型则采用多特征融合训练得到的SVM分类器来判别候选是否为跟踪目标。将两种模型结合可以提高鲁棒性,减少漂移。实验结果表明,该方法能有效克服局部遮挡和背景干扰等问题,从而能够实现在复杂背景下的目标跟踪。其次,根据人眼的生理特性,显著性是一种很好的描述图像区域性质的方式,但是缺乏与特定目标的关联。本文提出一种基于有监督显著性检测的跟踪方法,充分考虑了跟踪目标的先验信息。通过构建超像素图来表示空间信息,结合流形排序和基于中层线索的分类器提取目标先验知识进行随机游走,提高了显著性结果与目标的相关性。跟踪过程采用积分图法提高效率。在实验数据集上的结果表明,本文的方法可以有效处理快速运动和形变等问题,从而实现鲁棒的跟踪。最后,目前多数基于相关滤波的跟踪方法集中在探索相关滤波的不同特性,如循环结构、核方法、上下文信息和有效的特征表示等。但是,如何解决尺度的变化和漂移仍然是个有待解决的问题。本文,我们提出了基于运动的似物性方法,可以有效捕捉到运动物体,并且将似物性结果整合到相关滤波中。结合似物性可以很自然的解决目标尺度变化、快速运动等问题。实验证明了本方法的有效性。