单目标跟踪是计算机视觉里非常重要的一个分支,单目标跟踪分为短时目标跟踪与长时跟踪,其中短时目标跟踪专注于在短序列上精确跟踪目标,而长时目标跟踪是在短时任务的基础上强调了长时稳定,处理目标消失、出境,丢失重找回等能力。目前的单目标跟踪算法仍然有很多不足地方,比如对于跟踪的在线更新来说,由于目标可能经历剧烈外观变化,因此在线更新是必要的。但是跟踪器很难判断当前帧的跟踪结果是否正确。离线训练对跟踪器的性能提升有非常大的帮助,但离线训练往往离不开大规模高质量数据集,而这种数据集的获取成本是非常昂贵的。为了解决这些问题,本文提出了以下三种解决方案:（1）对于目标框内的背景噪声问题,本文提出了一种空间自适应的相关滤波跟踪器模型。该模型可以在优化滤波器的同时,优化一个空间自适应正则化项,能有效的抑制目标框内背景噪声的学习,同时,提出了一个定位及尺度估计策略,最大程度的减少计算量,使算法在高性能的同时可以达到28fps的实时速度。（2）在线更新对于长时跟踪来说是一个非常具有挑战的任务。本文提出了基于更新控制器长时跟踪算法。首先提出了一个更新控制器,将目标的判别信息、几何信息、外观信息进行时序封装,送入长短时记忆网络学习当前帧是否可以更新。其次提出了一个长时跟踪框架,使短时目标跟踪器可以轻易的嵌入变成长时跟踪器,该框架由短时目标跟踪器、全图检测器、验证器组成,可以大幅提升更新的准确率,从而提升跟踪器性能。（3）为了解决大规模高质量数据获取成本高的问题,本文设计一个标注算法,使其通过稀疏的人工标注,得到高质量的完整标注。该框架提出了一种选择和细化策略来自动改进跟踪算法产生的初步标注。提出了一种时序评估网络,该网络能够捕获目标位置的时间相干性,并通过测量目标位置的质量来选择可靠的跟踪结果。精细回归网络也被设计用于通过考虑目标外观和时间几何约束进一步增强选定的跟踪结果,允许不准确的跟踪结果被纠正。该算法在生成高质量标注的情况下,能节省约94%的人力。