目标追踪是计算机视觉领域的一个重要的方向,它在虚拟现实、行为识别、视频监控、交通检测等领域都有广泛的应用.由于追踪过程中目标本身的变化（如变形）以及外部环境的干扰（如遮挡）,使得追踪效果往往不尽人意.因此,设计一个鲁棒的追踪算法是目标追踪的核心问题.本文将在粒子滤波、相关滤波和深度学习框架下,针对目标变化和环境干扰,设计有效的目标追踪算法以提高追踪结果的准确度和鲁棒性.主要研究内容包括基于时序性稀疏联合模型的目标追踪算法、基于时空关注滤波的目标追踪算法和基于校正网络的的目标追踪算法,具体内容如下:1.基于时序性稀疏联合模型的目标追踪算法.首先,利用目标整体特征信息能更好地区分目标和背景的特性,设计一个时序约束下的判别稀疏相似模型;同时,利用目标的局部特征信息能更好地处理目标外观变化的特性,设计一个称为相似度测量模型的稀疏生成模型.其次,联合判别分模型和相似度测量模型,生成一个稀疏联合外观模型,获取每个候选目标的判别分.最后,设计判别分模型中目标样本和相似度测量模型中样本直方图的更新机制.该目标追踪算法同时考虑了目标的整体和局部特征信息.实验结果表明该追踪算法在准确性和鲁棒性方便取得较好的结果.2.基于时空关注相关滤波的目标追踪算法.首先,考虑到快速运动或运动模糊加重了边界效应的干扰,设计了一个新的空间权重图,降低快速运动或运动模糊的影响.其次,考虑到帧与帧之间的信息传递和继承能更好地提升模型稳定性,提出了一个有短时记忆功能的正则化项;同时,由于目标变形或者被遮挡都会使追踪持续漂移,故提出了一个称为长时记忆正则项的与初始帧相关的正则化项.多个数据集的实验表明,该追踪算法追踪结果的准确性和鲁棒性有了明显的提高.3.基于校正神经网络的目标追踪算法.在深度学习的追踪算法基础上,考虑了校正思想,设计了新的神经网络结构模型.该算法包含两个网络:追踪网络和校正网络.在追踪网络中,考虑到深层特征和浅层边缘特征的融合,设计了一个多输入的残差网络,学习目标和它对应的高斯响应图之间的关系,从而获得目标对象的位置信息.同时,在校正网络中,设计一个浅层链式判别网络对追踪网络得到的目标结果进行比较验证,根据验证结果对追踪网络进行在线更新.实验表明,该目标追踪算法的追踪结果的准确度和鲁棒性有了显著提高.