视觉目标跟踪是计算机视觉的重要研究内容之一,在交通监控、三维重建、自主驾驶和人机交互等多种场景中取得了广泛的应用。从本质上讲,目标跟踪可以被看作是一个连续视频序列中的目标状态和轨迹估计问题,目标可以是任何感兴趣的图像区域,并且只在第一帧有先验信息。人类和大多数动物都擅长于此,并能轻松实现稳健的目标跟踪。在计算机视觉中,要实现稳定的自动目标跟踪是很难的。尽管视觉跟踪已经取得了巨大的进步,但它仍然面临着一些挑战。在一般跟踪情况下,除了初始目标位置外,不会提供任何有关感兴趣的对象的先验知识。此外经常遇到遮挡及大幅形变等问题,使得实现高鲁棒的跟踪特别困难。本文基于上下文相关滤波方法和颜色直方图分类器,利用多模型多线索挖掘目标特征的有效信息,建立了一种高效鲁棒的实时跟踪方法。本文的主要研究内容和贡献如下:（1）针对模型学习和更新过程中引入不可靠样本造成的滤波模板污染,提出了一种自适应模型更新方法,可以根据置信度评估目标响应的可靠性并同时更新多个模型。当训练样本被评估为可靠时,按照标准过程进行更新。相反,对于差的样本也不能完全舍弃而是会给与一个较小的惩罚因子,使得模板的更新能够适应目标外观的变化。（2）复杂的背景和目标遮挡会强烈干扰跟踪过程。现有算法大多选择扩大搜索窗口,同时使用空间滤波来抑制边缘信息,但这样会破坏了目标函数的封闭解,使跟踪速度急剧下降。针对这一问题,采用上下文感知模型将上下文图像块作为正则项加入到目标函数之中,对目标周围背景信息进行抑制。同时,采用多模型结构引入颜色直方图分类器,使颜色信息和背景信息互补。此外,该方法在能够得到封闭解的同时还能使用核技巧加速计算,算法的实时性能够得到保证。（3）由于有许多因素可以改变目标的尺度,所以尺度变化伴随着大部分的跟踪场景。前一帧的预测结果包含的目标尺度信息将被用于下一帧的训练,其中尺度估计的准确性将显著影响跟踪性能。同时考虑到尺度估计方法会增加很多的计算量,提出一种快速尺度自适应方法,在提升跟踪算法的实时性的同时,能够保证尺度估计准确度。（4）针对目标表征,提出一种多模型和多专家线索的跟踪方法,利用多个模型之间的互补性来提取目标的有用信息,并生成多个专家。同时设计了一种评价机制,用来对不同专家的预测结果进行评估,其中可靠性得分最高的专家就是目标的新位置。实验结果表明,提出的算法与10种近年来的算法相比,在取得相当甚至领先的跟踪鲁棒性的同时能够保持高效的跟踪速度（约60FPS）。