目标跟踪是计算机视觉的基本问题,相关研究在智能监控、人机交互、智能交通和机器人导航等领域有广泛的应用场景。近年来,研究者们大多从生成模型和判别模型两方面开展深入研究,尝试在无约束环境中对通用目标进行可靠跟踪。跟踪效果已经有了长足的发展,但仍有改善的空间。本文基于选取的跟踪目标具有显著性,跟踪目标具有运动特性以及视觉特征如纹理、颜色等区别于环境背景,对跟踪算法进行改进。分别地,跟踪目标具有运动显著性,也即在跟踪过程中跟踪对象存在位移变化。本文首先将检测得到的移动目标来辅助跟踪目标的正确跟踪,提出了移动目标聚焦跟踪算法(Moving Target Focused Tracker,MTFT)改善单目标大位移场景下跟踪效果。实验结果显示在单目标无遮挡大位移序列有一定的改善作用,但综合性能有所下降。另外,跟踪目标具有颜色显著性,也即跟踪目标往往在颜色分布区分于环境背景。本文通过计算颜色统计模型得到前景概率图来增强前景特征和抑制背景特征,提出了一般目标聚焦跟踪算法(General Target Focused Tracker,GTFT)改善一般场景。提出的GTFT在TB50上取得82.8%预测率,高于对比的Staple算法[39]3.5个百分点。此外,为了解决GTFT算法在光照、遮挡等场景下跟踪失败的问题,本文提出了一般目标聚焦长期跟踪算法(General Target Focused Long-term Tracker,GTFLT)。GTFLT利用颜色置信度判断跟踪目标是否遮挡或经历光照变化和跟踪器置信度判断跟踪目标是否发生形变或旋转,对目标跟踪可能失败的条件进行判断从而启动目标检测器。同时,GTFLT在线通过可信目标区域更新跟踪目标判别模型,来抑制目标检测器可能存在的误检。通过与近两年最好的算法对比,GTFLT在TB50上取得了最好的结果,预测准确率达到了89.6%。并且在11个类别序列测试中,GTFLT在8个类别序列中取得了最好的成绩。