近年来,随着视频观测技术的快速发展,特别是在自动驾驶、安防监控等领域的广泛应用,对视频数据内容信息的挖掘成为计算机视觉领域研究的热点。常见的视频通常是非限定环境下观测到的开放环境视频,开放环境视频分析理解的关键技术容易受到诸多不确定因素的影响:开放环境中目标种类繁多,现有目标检测方法没有考虑不同类别目标之间外观和属性相似性存在的差异;开放环境中目标姿态复杂,现有的头部姿态估计回归模型对不同姿态图像与角度值的隶属度差异刻画不足;在连续图像序列中的目标跟踪可能受到背景杂波、非刚性变形、严重遮挡、快速非刚性运动等因素影响,导致目标定位不准甚至丢失;不同摄像头下捕捉到的目标图像存在巨大的特征变化,导致现有目标再识别算法泛化能力弱。因此,如何根据开放环境视频获取目标准确的位置、属性、状态、轨迹等是极具挑战性的问题。本学位论文针对开放环境视频分析理解的关键技术中的目标检测与头部姿态估计中的误差度量模型,目标跟踪中的判别外观模型,目标再识别中的度量学习模型展开了研究。本文的主要研究工作和贡献如下:（1）基于属性相似性感知的预测误差度量方法。提出了一种鲁棒的属性相似程度感知的预测误差度量方法。在分类和回归等问题中,常用的深度学习算法通过交叉熵和简单的差值度量,预测结果与真实标签之间的误差,不能体现样本属性相似程度的差异。本文提出的预测误差度量模型,通过最优传输理论,将误差度量问题定义为一个概率转移问题,并利用代价函数表征不同样本属性相似程度的大小。样本属性差异越大,代价函数值越大,则预测为错误结果的损失越大,从而指导算法学习一个更加准确的模型。目标之间外观和属性特征相似性是一种固有的先验信息,本文通过分析不同类型预测误差对模型预测准确性的影响,建立了一种基于最优传输理论的深度模型预测误差度量方法。该方法充分刻画了预测结果误差严重程度的差异性。基于该度量方法,本文分别对目标检测和头部姿态估计算法进行了研究。根据不同类型目标外观和属性相似程度的不同,提出了一种考虑类别属性的目标检测算法。针对回归问题中预测结果与真实值误差大小的不同,本文建立了一种基于多阶段角度期望值预测方法。该方法更加准确地刻画了预测误差的严重程度,有效提高了模型的感知能力。（2）基于各向异性传播的目标跟踪方法。提出了一种稳定的判别外观模型表示方法。开放环境中的目标通常为几何形状的不规则目标,目标像素分布在矩形区域的中心,而边缘为背景像素。本文提出的算法利用这种先验信息,通过热传导理论对目标邻域内的像素属于目标或背景的置信度进行估计,从而实现对目标更加准确的判别。为了更好地对像素是否属于目标做判断,基于各向异性传播理论,充分利用单帧图像上的空域信息,连续帧上的时域信息,生成目标前景和背景置信图。该方法能够有效地减小连续图像序列跟踪问题中背景内容对跟踪效果的影响。针对快速移动物体的跟踪问题,提出了一种基于热源位置估计的快速运动目标跟踪方法,从而提高对快速运动目标跟踪的鲁棒性和准确性。（3）个体特异性目标再识别度量学习方法。提出了一种基于概率分布的个体特异性目标再识别度量学习方法。基于机器学习算法的图像匹配模型存在一个一般的假设前提,即训练样本与测试样本服从相同的分布。行人再识别任务中的过拟合问题是由于训练数据和测试样本在度量子空间中的分布存在巨大差异。本文提出的算法思想是约束识别结果的分布与训练数据的分布尽可能接近,从而满足模型的前提假设,提高度量模型对测试数据的适应性。针对现有度量模型存在的过拟合问题,本文对测试数据与训练数据在投影空间的分布进行了分析。基于该分析结果,本文采用半监督学习的方法估计测试个体的正样本对分布中心,提出利用分布概率约束的方法来改善度量模型在测试数据上泛化能力。该方法能够学习一种具有个体特异性的投影子空间,有效地解决度量学习算法中的过拟合问题。