为了达到较高的跟踪精度以及较快的跟踪速度,传统的目标跟踪算法均基于相邻帧目标位移和视觉特性均匀变化的假设而设计。然而,在无人机和无人艇等存在较大运动速度的视觉平台上,基于上述假设的目标跟踪器将有较大概率出现跟踪失效。针对目标位移变化较大的问题,本文提出了基于由粗到精框架的级联跟踪算法以及基于关键点匹配的自适应全图跟踪算法。针对动平台导致的目标视觉特性变化大的问题,本文进一步结合深度学习框架提出了基于长程-短程信息融合的跟踪算法。本文的主要研究内容如下:针对传统目标跟踪算法在大搜索区域中因背景干扰而导致跟踪性能下降的问题,本文提出了一种基于由粗到精框架的级联跟踪算法。该算法首先采用基于相关滤波器的跟踪器在6倍于目标大小的区域内进行目标潜在区域的粗搜索。其次,进一步引入基于结构化支撑向量机的跟踪器进行小范围内的局部精搜索。最后,对以上两个跟踪模型的参数进行在线学习和更新。该基于由粗到精框架的目标跟踪器可将目标搜索区域由常用的2.5倍于目标大小扩大至6倍,有效地提升了动平台下目标跟踪的适应性。为进一步提升跟踪器在动平台大幅度运动下的适应性,本文提出了基于关键点匹配的自适应全图跟踪算法。该方法不仅融合了点匹配全图跟踪和基于相关滤波器局部跟踪的优点,而且创新地设计了基于跟踪器响应图的突发运动判断机制,在扩大搜索区域的同时降低了算法复杂度。本文针对在线学习模型更新方法提出一种置信度判别机制,有效避免跟踪器在遮挡情况下的无效模型更新,进一步提升了跟踪器的鲁棒性。无实时信息的更新导致主流的深度学习跟踪方法适应目标快速变化的能力较弱。针对此问题,本文提出了一种融合长程和短程信息的目标跟踪算法。该算法将第一帧标定区域的目标基础信息与临近帧的时变信息进行融合,可有效提高跟踪算法在目标视觉特性变化较快情况下的适应性。