在许多公共场所中，人们常常面临着处理海量视频的挑战。计算机视觉领域的目标跟踪技术能有效地解决这类问题。然而，实时地视频跟踪技术本身极具有挑战和困难，跟踪过程中会受到背景信息、光照变化、目标局部或全局的遮挡等众多因素的干扰。在学习和研究了跟踪领域中经典算法的理论和框架的前提下，本文基于增量式学习子空间建模外观模型的跟踪算法，提出了反馈式重采样策略下的增量式外观模型的目标跟踪算法和基于约束条件下的分段式外观模型的目标跟踪。整个论文的研究工作及主要贡献集中在以下三个方面：　　1)提出了反馈式重采样策略下的增量式外观模型的目标跟踪。增量式子空间通过在线学习机制，以固定频率及时更新外观模型，能在时间序列上跟踪目标，更能在时空内捕捉目标外观的变化。传统IVT（Incremental Learning for Robust Visual Tracking）虽然能很好的适应光照变化及目标的外观变化，但目标在空间上发生剧烈运动和遮挡的情况下跟踪失败。为此，我们提出一种基于增量式子空间的反馈学习的算法，在粒子滤波的框架下，引入正确的观测样本判决结果作为反馈信息，为子空间模板更新和粒子滤波重采样的提供依据。实验表明，依赖反馈信息的增量子空间学习算法能实时性跟踪目标，具有鲁棒性。　　2)提出了基于约束条件下的分段式外观模型的目标跟踪。IVT学习了增量式线性子空间来建立外观模型，加入了遗忘因子来遗忘历史，提取连续视频的目标特征，在线学习外观模型的短期外观特征。在观测阶段观测样本和外观模型计算最小误差时，历史信息进行相似计算，对后续跟踪过程具有指导意义。尤其是在外观发生局部或全局遮挡目标时。为此，我们提出基于约束条件下的分段式外观模型的目标跟踪，离线训练目标对象，组成姿态子空间形成约束条件，加入外观模型中。其次对分段训练目标外观，储存子空间信息。实验表明，改进算法在目标遮挡下跟踪良好，能在线实时地跟踪。　　3)视觉目标跟踪算法的性能评测指标用于原算法与改进算法的实验对比。常见的评估跟踪算法的结果是基于人们的直觉判断(视觉评价)。为了避免主观视觉评价带来的因人而异,需要一个通用的客观评价的指标。选取常用的跟踪中心距离度和重叠率两个指标用于算法之间的实验对比。