目标跟踪是计算机视觉中的一个基本问题,在运动识别、视频监控、人机交互等方面都有广泛的应用。通常,目标跟踪被理解为对目标状态(如位置、尺度等)的估计,即在给定目标初始状态的条件下,目标跟踪算法的目的是要在连续的图像序列中估计出目标的状态。虽然近些年对目标跟踪的研究已经取得了不少成就,但建立一个鲁棒、高效的实时跟踪系统来应对光照、遮挡、变形等引起的外观改变仍然是一个有挑战的任务,所以外观模型是目标跟踪里的关键要素。本文主要对复杂场景下基于分类的目标跟踪算法进行研究并改善外观模型,主要工作如下:(1)在压缩跟踪(Compressive Tracking,CT)算法框架下,本文做了两点改进:基于压缩感知理论提取目标的矩形特征,根据每个特征对当前帧目标的分类效果判定其可靠性,及时更新不可靠特征;其次,实时增加可靠特征在分类器中的权重,从而突出可靠特征的重要性;最后将加权候选样本特征输入贝叶斯分类器,得到下一帧的目标位置。通过对比试验,验证了改进算法在复杂场景下的优势;(2)分析了只考虑目标外观这个因素的跟踪算法的缺陷,继而引出背景信息对复杂场景下目标跟踪的辅助作用,作为融入背景信息的代表,本文详细介绍了时空上下文(Spatial-Temporal Context,STC)目标跟踪算法;(3)在STC算法框架下,本文做了两点改进:首先,基于当前帧之前2帧间目标的位移变化预测当前帧中目标的4个可能位置,计算4个置信图,最大值处即为目标位置;其次,提出了每帧目标的可靠度指标,并设计了一个自适应阈值,当可靠度低于阈值,停止模型的更新。通过大量的对比试验,证明了改进算法在面对复杂场景下的挑战因素时优于传统STC和其他算法。