视觉目标跟踪是计算机视觉领域中最基本问题之一,同时也是最具挑战性的任务之一。近年来,随着无人驾驶、视觉监控、增强现实和人机交互等领域的发展,视觉目标跟踪获得了极大的关注与发展。但现实生活中,目标可能会经历剧烈变形、严重遮挡等各种复杂情况,所以目标跟踪仍然面临着极大的挑战。基于相关滤波器的目标跟踪算法自从提出以来,就以计算速度快、跟踪精度高而获得广泛的关注。目前,基于相关滤波器的视觉目标跟踪算法已经成为了目标跟踪领域广泛使用的跟踪框架,其核心思想是提取目标图像与其周围的背景图像作为正负样本并通过岭回归模型训练出一个相关滤波器,该方法用目标图像平移产生的循环平移样本来近似表示密集采样的训练样本,使得目标跟踪的计算效率获得极大的提高。在跟踪过程中,目标的表观会呈现出多样化的形态,而基于相关滤波器的目标跟踪算法只训练一个滤波器无法满足对多个表观的精确定位。而要想对目标进行长时间的跟踪,需加入重新检测算法对目标的定位进行调整。于是本文提出了基于多表观模型的长期视觉目标跟踪算法,本文主要创新工作如下:1)给出一种基于多表观相关滤波器的视觉目标跟踪算法。该算法通过对跟踪过程中目标发生剧烈变形而产生的不同表观建立不同的滤波器模型,使得目标在发生变形时可以进行更加准确的定位和跟踪。2)给出一种融合多表观相关滤波器与改进颜色直方图的跟踪算法。为了充分利用目标的颜色信息,本文在颜色直方图跟踪算法的基础上对搜索区域中目标的概率图进行非线性增强,从而提出了基于改进颜色直方图的跟踪算法,减少了目标概率图中混乱背景的干扰。最后对多表观相关滤波器模型与改进颜色直方图模型的响应图进行融合进行更加精准的跟踪。3)给出一种基于双搜索尺度和Kalman滤波的重新检测目标算法。通过大小两个搜索窗口的自动转换,既解决了快速运动时目标跳出搜索区域的问题,又保证了跟踪速度,同时加入Kalman滤波算法有效解决了目标发生严重遮挡的情况。为了验证基于多表观模型的长期视觉目标跟踪算法的性能,本文对数据集OTB-2015下的所有100个视频进行实验,并与现有的多个先进算法进行了比较。实验表明,本文所给出的方法能更好的处理目标变形、快速运动、遮挡和背景混乱等情况,距离精度和重叠精度分别达到87.9%和80.1%,均优于其他算法,同时达到了工程应用所需的实时要求。