视觉目标跟踪是机器视觉系统感知运动目标的重要技术,在跟踪过程中需要对目标在图像序列中的状态变化,包括位姿、外观和运动信息进行实时处理,为视觉系统后续的控制和决策提供依据。基于相关滤波的视觉目标跟踪技术由于其良好的跟踪性能和速度表现,在人机交互、智能监控等领域有着广泛的应用。为此,论文基于相关滤波方法,对适用于机器视觉系统的复杂场景下运动目标跟踪的实时性、鲁棒性问题进行研究。针对基于空间正则化的相关滤波器学习模型算法复杂计算量大的问题,为减少计算量以提高实时性,研究了快速空间正则化的相关滤波器学习模型。提出以两参变量惩罚系数分布对学习滤波器不同空间位置进行惩罚,能够更好地抑制边界效应,提升总体样本相关性,并引入交替方向乘子法进行快速优化解。测试结果表明,可在稳定性保持不变且略有提升的基础上,跟踪速度提升近6倍,有效提高了实时跟踪性能,可满足一般稳定性要求下视觉系统对目标跟踪的实时性要求。针对图像噪声和遮挡的跟踪稳定性问题,提出了融合时空约束的滤波器学习模型。以掩膜空间约束作为空间正则化学习模型的特例,不仅减少了调参工作量,而且能抑制背景变化对跟踪稳定性的影响,使学习滤波器更具判别力,结合在线被动攻击算法的思想,提出以可靠滤波器作为时间约束,克服了固定更新学习率的缺陷,并设计了双重判断机制,使滤波器始终保持高的判别力。测试结果表明,跟踪性能得到有效提升,具有高的鲁棒性,可满足视觉系统对畸变或短时遮挡的目标跟踪稳定性要求。为适应刚性目标较大幅度的旋转和尺度变化跟踪的稳定性问题,提出了4自由度目标相似变换视觉跟踪算法,包括2自由度平移跟踪、尺度和旋转跟踪,利用梯度下降实现平移与尺度和旋转交替迭代的跟踪方法。平移跟踪采用融合时空约束的相关滤波目标跟踪方法实现,尺度和旋转跟踪采用傅里叶梅林变换实现。公共测试集上的比较测试表明,对刚性目标的旋转运动跟踪具有高的鲁棒性。另外,还制作了涵盖目标较大角度旋转变化属性的测试集,验证了该方法可以应对目标旋转角度较大变化的跟踪,满足视觉系统对刚性目标旋转运动跟踪的稳定性要求。为测试视觉目标跟踪技术用于视觉系统对运动目标感知的性能,搭建了模拟视觉测试平台,设计制作了涵盖遮挡、光照变化、形变等多种影响视觉系统稳定性的测试图像序列,对前述三种跟踪方法的测试表明,分别在跟踪的实时性、跟踪的稳定性和目标旋转跟踪上具有优势。根据测试结果总结了三种视觉目标跟踪方法在用于伺服控制的视觉系统的适用场景,并在激光飞行标刻和机器人抓取应用中验证了工作的有效性。