视觉目标跟踪一直是计算机视觉领域研究的关键课题之一,已经在智能交通系统、智能监控系统、人机交互、无人机以及机器人技术等多种人工智能场景中具有广泛应用。目标跟踪算法旨在利用给定的初始信息对目标外观进行建模,在后续图像序列中克服目标遮挡、快速运动、光照变化等复杂因素的干扰,最终实现对目标位置和大小的有效推理。对于仅有的目标初始外观信息,以何种方式对其进行充分而有效的挖掘对目标跟踪算法性能的提高至关重要。从精心设计的轻量级手工特征到复杂但更具判别力的深度特征,研究学者针对特征表示提出了大量优秀的方法和理论。然而,仍然存在一些问题亟待解决。首先,传统的特征融合方法通常采用固定权重的方式去融合不同的特征层以实现信息的交互与共享,却无法根据场景的变化自动调整融合权重,缺乏足够的灵活性和鲁棒性。其次,融合后的特征往往具有维度高和通道多样性的特点,这严重影响了跟踪的精度和实时性,如何从大量特征通道中找出判别力通道并消除冗余通道仍然是一个极具挑战性的问题。此外,如何在保证算法实时性的同时利用正则化方法来约束和引导滤波器也有待进一步解决。针对上述问题,本文在相关滤波跟踪框架的基础上,从特征融合、特征选择、正则化与模型学习等方面出发进行了探索。本文的主要工作如下:（1）提出了一种基于博弈论的多互补特征自适应融合视觉跟踪算法。首先,分别从手工特征和深度特征中选取具有互补性质的特征进行组合得到两种鲁棒的组合特征。其次,采用博弈论的思想,将两种组合特征视为博弈双方,通过在跟踪过程中不断博弈使二者达到最佳动态平衡,从而获得更加鲁棒的融合特征。最后,将本文算法与其他8种相关算法在OTB2015基准集上进行广泛评估,实验结果表明,该算法提高了在遮挡、形变等复杂场景下目标跟踪的鲁棒性。（2）提出了一种基于特征通道自适应选择的鲁棒视觉跟踪算法。通过计算每个特征通道中背景与前景的能量关系,自适应地选择出最具判别力的特征通道来学习更加鲁棒的目标外观模型。此外,基于特征通道选择的反馈,提出了一种自适应模型更新策略来缓解模型的不正确更新所引起的模型过拟合和退化问题。在五个著名的跟踪数据集（OTB2015、TC128、UAV123、VOT2018和La SOT）上的大量实验证明了所提算法的有效性和鲁棒性。（3）提出了一种背景抑制与目标感知联合学习的实时无人机视觉跟踪算法。首先利用先验知识生成掩码,分别构造具有目标感知的滤波器和具有背景抑制的滤波器。其中,背景抑制滤波器是通过在传统的相关滤波跟踪范式上引入上下文感知正则化项实现的,可以抑制背景噪声和进一步缓解边界效应。目标感知滤波器仅对目标图像块的进行建模,通过引入时间正则化项来增强模型对目标遮挡和形变的鲁棒性。二者通过ADMM算法进行联合优化,在训练时相互约束,检测时相互补充。在主流的无人机跟踪数据集UAVDT和DTB70上的实验验证了所提方法在无人机跟踪方面的优势,运行速度约为26fps,能够满足无人机跟踪的实时性要求。