目标跟踪是计算机视觉和多媒体领域重要的分支。目标跟踪的任务是在一段视频中持续定位跟踪某一个或多个目标,在道路监控、人机交互、遥感影像分析等众多领域有着广泛应用。尽管研究学者们在目标跟踪领域取得了丰硕的成果,但是它依然是一个富有挑战性的课题。在自然场景中,有大量的因素困扰着目标跟踪算法的性能,包括目标形变、光照变化、部分或完全遮挡、背景杂乱等等。近年来,基于超像素的目标分割与跟踪算法已经被广泛应用于这一领域。其中,有一部分算法主要是把图像分割成若干个超像素,以超像素及其连边作为顶点和边构造成图,从而依靠图的约束和传播实现目标分割与跟踪。由于目标跟踪中存在着非刚性和形变目标难题,可能使得构建的图不准确,因此衍生出了基于图学习的算法,可以更好的挖掘图中潜在的流形结构关系。本文针对目标跟踪中的目标形变和背景杂乱等难题展开了相关研究,具体如下:(1)对于形变目标的跟踪问题,我们提出了一种基于时空一致性约束标签预测模型。首先将每一帧的候选感兴趣区域(ROI)划分成超像素,提取其特征描述符,对其构图;然后通过支持向量回归器计算得分,借助高斯核函数算出边的权重,在吸收马尔可夫链跟踪框架中计算出节点的吸收时间;最后对节点加以时间和空间一致性约束,得出节点优化后的前景概率,归一化之后实现对目标的分割与跟踪。我们在广泛使用的基准数据集上做了大量实验,结果表明提出的模型具有良好的性能。(2)对于背景杂乱的目标跟踪问题,我们提出了一种基于多视图协同学习与标签预测模型。该模型在上述模型基础上增添了图学习模块和多视图协同学习模块,在每一帧中迭代更新图结构关系。首先将图像分割成若干个超像素并提取特征;然后基于吸收马尔科夫链框架获得吸收时间;最后通过多视图协同学习与标签预测获得优化后的前景概率,实现对目标的分割与跟踪。我们在多个基准数据集上做了大量对比实验,结果表明该模型显著提升了目标分割与跟踪的性能。