目标跟踪作为计算机视觉的一个重要研究方向，既是智能分析的前提，也是人机交互、目标识别和目标分类的基础。为了提高跟踪的准确性，设计鲁棒的外观模型成为算法研究的一项主要内容。针对视频中照明条件改变、噪声干扰、目标遮挡和形变，以及分辨率较低等问题，深入研究了基于外观模型的运动目标跟踪方法，主要工作和创新性成果如下：　　（1）对基于外观模型的目标跟踪方法进行了全面综述，重点阐述了产生式方法和判别式方法的基本原理和研究进展，介绍了常用的数据库和评价标准，并分析讨论了该类方法的难点和面临的挑战；　　（2）在基于多示例学习的跟踪框架下，针对正包中既包含正示例也包含负示例的特点，提出了一种采用高斯混合模型（Gaussian mixture model，GMM）对正包中的示例特征建模的方法，并集成到多示例学习的跟踪算法中。分别采用GMM和单高斯模型对正负包中的示例特征建模，将示例与模型之间的差异引入GMM参数更新中；考虑不同正样本对分类器训练结果的影响，将正包中示例对分类器的响应值作为权重引入正包概率估计中；并根据分类器的最大响应值判断是否对模型进行更新。将改进的算法在公开数据集上进行了测试，实验结果表明：该算法适用于照明改变、外观变化和部分遮挡等情况；　　（3）针对压缩跟踪算法中，特征随机产生，未利用目标的颜色信息等问题，提出了一种基于多通道特征选择的压缩跟踪算法。首先对目标提取尺度可变的多通道Haar-like特征，然后采用K-W检验方法，从众多的Haar-like特征中选择分数较高的少数特征来构造朴素贝叶斯分类器，并且将这些特征的得分作为对应分类器的权值来构造强分类器。将改进的压缩跟踪算法在公开数据集上进行了测试，实验结果表明：改进的算法具有较高的准确性和跟踪成功率；　　（4）针对实际的监控视频中图像分辨率较低、噪声强度较大、光照不均匀和叠加了字符等情况，提出了一种基于位平面的跟踪算法。首先，采用平滑后的格雷码位平面分别为目标建立亮度模型和纹理模型。其次，根据目标在前一帧中的位置，预测出目标在当前帧中可能出现的位置，并在其邻域范围内搜索与模型最为相似的图像区域，作为跟踪结果。然后，更新外观模型。将该算法在公开数据集以及实际的监控视频上进行了测试，实验结果表明：该算法能有效地抑制噪声，并减弱视频中叠加字符对目标跟踪的干扰。　　本文的研究内容属于计算机视觉领域的一个重要课题，通过理论分析和对比实验验证了新算法的可行性和有效性，为解决特定场景下的目标跟踪提供了新方法。但离实际应用还有一定的距离，需要进一步提高算法的鲁棒性和实时性。