计算机视觉的主要目标之一是使计算机能够跟人类视觉系统一样,具有运动感知、物体识别和场景理解等基本功能。视觉目标跟踪就是为了实现运动感知功能,近二十多年一直是计算机视觉领域最热门的研究课题之一。视觉目标跟踪广泛应用于人机交互,视频监视和交通场景理解等领域。尽管已经提出了许多目标跟踪方法,但是由于部分遮挡、背景杂波、照明和视点变化等因素,设计鲁棒的跟踪方法仍然具有挑战性。本文研究工作仅涉及单目可见光图像、短期、无模型、单目标和因果关系跟踪,主要贡献包括如下三个方面:（1）针对基于子空间学习的跟踪方法忽略背景信息的问题,提出了通过背景对齐跟踪部分遮挡目标的跟踪方法（POBA）,旨在搜索具有精确遮挡掩码的最佳候选状态。基于子空间的跟踪方法通常使用一组基向量重构候选状态,并选择具有最小重构误差的候选状态作为跟踪结果。众所周知,部分遮挡会严重影响重构结果的准确性,并且用含有遮挡区域的样本来更新模型也将导致跟踪器漂移。现有方法要么不考虑部分遮挡问题,要么仅通过当前观察和重构结果识别遮挡区域。遮挡区域通常来自先前帧中的背景区域,现有方法往往忽略这个事实。POBA跟踪器将当前观察结果视为目标外观和遮挡区域的组合。目标外观由一组基向量建模,通过增量主成分分析方法从灰度图像上学习。在两个连续帧之间背景几乎相同的假设下,POBA从上一帧图像中产生遮挡区域。此外,由于大多数候选状态与目标差异显著,设计遮挡掩码对其进行过滤可以降低计算成本。POBA跟踪器在两个挑战性数据集上进行了验证评估。（2）针对基于在线多示例学习跟踪方法没有区分地更新和选择弱分类器,提出基于可靠组件的在线多示例学习跟踪方法（OMRC）。基于多示例学习的跟踪方法通常在boosting框架下训练判别式分类器,其中弱分类器是从目标的部分区域中学习的,所有分类器在更新外观模型时都会进行更新。然而,由于物体的形状不规则或存在遮挡,某些不属于目标的组件不应当作为学习样本。相反,从这些组件中学到的区分性弱分类器可能致使跟踪器漂移。为了克服这个问题,OMRC在跟踪目标的同时,保留背景和目标模板,通过将当前跟踪结果与两个模板进行比较,可以得到像素是否属于物体。对于一个组件,属于目标像素比例高于设定阈值即被认为是可靠组件。此外,为了更好地表示图像,OMRC使用HOG特征和直方图特征代替了广泛使用的Haar-like的特征,并设计了一种在线学习方法训练弱分类器。OMRC跟踪器的鲁棒性以及OMRC跟踪器中每个环节的有效性在OTB2015和Temple Color数据集上进行了验证评估。（3）针对基于孪生网络的跟踪方法不能适应目标外观变化及区分相似物体,提出结合离线学习的相似性度量和在线分类模型的跟踪方法（SMDC）。基于孪生网络的目标跟踪方法通过离线训练获得相似性度量标准,在跟踪过程中仅仅依赖第一帧的目标模板,存在因忽略目标外观变化以及不能有效区分相似干扰物造成丢失的情况。SMDC通过增加线性判别分支捕获图像序列在跟踪过程中的信息,在跟踪过程中在线学习少量相似样本,与离线学习的孪生网络互补。此外,现有孪生网络方法在提取目标模板时,保持目标的宽高比不变,没有利用目标模板的宽高比信息。然而不同宽高比目标模板预测同一候选块,难以得到一致且正确的响应和位置回归。SMDC在目标模板特征提取过程中增加一个目标模板对齐层,获得统一宽高比的目标模板。该方法的鲁棒性在多个数据集上进行了验证。综上,本文针对视觉目标跟踪中遮挡和相似物体判别问题进行了相关研究。对于遮挡问题,分别基于子空间学习方法和多示例学习方法,构造背景模板。在基于子空间学习跟踪方法中,为目标重构提供参考背景获得更准确的重构结果。在基于多示例学习跟踪方法中,筛选可靠组件用于更新和集成跟踪器,排除来自非目标区域的干扰。对于相似目标问题,基于孪生网络的跟踪方法引入线性判别分支,捕获跟踪过程中的信息以有效区分相似物体。所提方法的鲁棒性均在多个公开数据集上进行验证和评估。