针对视觉跟踪中目标发生遮挡和尺度变化时容易跟踪漂移的问题,提出一种基于时空上下文学习的抗遮挡视觉跟踪方法(spatio-temporal context anti-occlusion,简称STC-AO)和基于颜色属性空间的尺度自适应跟踪方法(spatio-temporal context scale adaptive,简称STC-SA)。在时空上下文抗遮挡跟踪研究中,利用目标和局部上下文区域的时空关系建立空间上下文模型,进行时空上下文学习;再对时空上下文区域进行分块遮挡判别,通过对设定阈值与遮挡概率的比较来判断遮挡是否发生;根据遮挡程度选择子块匹配和粒子滤波的方法分别进行不同程度的抗遮挡目标跟踪。而在时空上下文尺度自适应跟踪研究中,将图像进行颜色属性空间映射,提取颜色属性特征,建立联合上下文先验模型;通过时空上下文学习计算置信图,估计目标位置区域,进而对T帧的目标区域进行标定并提取颜色直方图信息;在T+1帧到来时,将三种跟踪框模板与T帧的目标位置区域进行相似度匹配,来确定T+1帧的最佳跟踪窗口,并作为跟踪结果输出。在对两项研究进行实验验证时,选取八组有遮挡和尺度变化信息的图像序列,与当前流行算法进行对比实验,利用跟踪成功率、中心误差以及运行速率三个指标,客观地评价STC算法进行抗遮挡和尺度自适应改进研究后的跟踪性能。实验结果表明,STC-AO算法在原算法的基础上能够有效判断遮挡发生,并能更好地完成目标发生局部遮挡和全局遮挡时的视觉跟踪;STC-SA算法能够较好地应对目标尺度变化情况下的视觉跟踪,并在保证算法效率的前提下提升时空上下文视觉跟踪的稳定性。