红外目标跟踪方法是早期预警、精确制导、安全监控等领域的一项关键技术。然而红外图像信噪比低、目标可见性差,并且随着红外成像系统搭载平台与目标之间的相对运动,视场内目标状态和外观不断发生变化。在目前主流的粒子滤波框架下,红外目标跟踪方法仍然面临目标状态非平稳随机变化难以预测、目标外观模型在不同场景下自适应能力不足、搜索效率和定位精度不高等问题。本文利用红外图像序列研究单目标跟踪方法,借鉴图像处理、模式识别、机器学习等前沿学科的最新研究成果,致力于提高红外目标跟踪方法对干扰因素的鲁棒性以及在不同场景下的自适应能力。主要完成工作如下:针对目标状态发生突变时基于先验知识生成的候选粒子集合覆盖效率下降,导致目标状态非平稳随机变化难以预测的问题,提出了一种基于高斯采样和显著度重要性采样相结合的红外目标运动建模方法。首先以上一时刻目标状态为均值进行高斯采样,生成的粒子集合能够对当前时刻目标状态进行基本覆盖。在此基础上引入显著性模型,从而在目标外观统计信息未知的条件下获得图像显著区域,然后通过显著度重要性采样生成的粒子集合着重覆盖上一时刻目标附近的显著区域。实验结果表明,在目标区域相对于附近背景具有显著性的前提下,本文提出方法能够提高对红外目标状态非平稳随机变化的预测能力。针对多特征融合时难以根据不同特征对目标和背景判别能力合理分配权重,导致目标外观模型在不同场景下自适应能力不足的问题,提出了一种基于帧间尺寸不变多核特征融合的红外目标外观建模方法。首先根据红外目标机动性强、可见性差的特点,通过Bhattacharyya系数衡量直方图相似性构造核函数,将目标模板和候选目标从灰度特征空间非线性映射到核特征空间。然后将基于不同核特征得到的目标尺寸估计值与上一帧的目标尺寸进行比较,根据目标尺寸误差对不同核特征分配权重。实验结果表明,在相邻图像帧之间目标尺寸近似保持不变的前提下,本文提出方法能够提高红外目标外观模型在不同场景下的自适应能力。针对核特征空间下模板匹配计算效率低以及无效粒子参与目标状态估计引入误差,导致搜索效率和定位精度不高的问题,提出了一种基于稀疏约束模板匹配的红外目标搜索机制。首先在灰度特征空间下将候选目标集合作为整体进行模板匹配,通过在模板匹配对应的线性回归问题中引入稀疏约束条件,进而从候选目标集合中获得有效子集。然后将候选目标有效子集从灰度特征空间映射到核特征空间,在核特征空间下对候选目标有效子集进行遍历模板匹配,最后通过候选粒子有效子集加权求和估计当前时刻目标状态。实验结果表明,本文提出方法与核特征空间下对所有候选目标进行模板匹配相比,能够提高对红外目标的搜索效率。在目标模板和候选目标正样本分布在同一个灰度特征线性子空间的前提下,能够提高对红外目标的定位精度。