视频追踪是计算机视觉领域的基础性问题,并且在视频监控、医学图像分析、姿势识别和人机交互等领域有着广泛的应用.在过去的一段时间内,虽然研究者们已经做出了很多努力,但是由于严重的遮挡、光照的变化、杂乱的背景和物体运动的变化等引起的追踪目标表观变化,设计一个鲁棒的视频追踪算法仍是一项具有挑战性的工作.经过研究发现,基于子空间的算法是得到追踪目标最本质的结构,对于由外界因素和自身运动引起的目标物体表观变化具有鲁棒性并且易于计算,所以很多基于子空间学习的算法被用于视频追踪领域.但是,这些算法只考虑了表示系数的稀疏性或低秩性,对于某些复杂的视频序列的外观子空间学习是不够充分的;另外,由于低秩性和列稀疏性的性质限制,增量式的在线更新算法并不能直接应用到带有核范数和列稀疏范数的模型.根据这些讨论,本文提出了带有自适应约束的低秩子空间模型来学习目标物体的低秩特征,并且设计了一个在线优化算法将该模型很好地应用到视频追踪领域.首先,本文提出的子空间学习算法能够同时学习子空间基底、低秩系数和稀疏噪声来刻画目标物体的外观子空间,而之前的方法只把目标物体简单的分成低秩特征和噪声两部分.其次,我们利用Hadamard积引入丰富的生成/判别的结构特征来自适应的约束子空间学习的表示系数.这种自适应的约束能显著的提高该算法在受到严重污染数据集上的鲁棒性.最后,为了让该算法能够很好的应用到视频追踪领域,我们针对核范数和列稀疏范数提出一个有效的增值优化算法.通过50个具有挑战性的视频数据集的实验结果可以看出,本文提出的视频追踪算法具有很好地鲁棒性和稳定性,可以同时处理具有不同属性的视频序列集,并能和当前最先进的算法相抗衡.