视觉是人类获取信息和感知世界的重要途径,视觉跟踪技术是图像处理技术中的热点技术,在生物医学领域具有广阔的需求和应用。针对跟踪器的准确性、实时性和鲁棒性等问题,近年来业界已提出了众多实现方案。但由于尺度变化、光照变化和快速运动等多种干扰,目标跟踪仍是一项富有挑战性的任务。本文基于人眼视觉由粗趋精的机理,以Haar-like特征为蓝本,面向不同光照条件下的多尺度跟踪问题进行研究,提出了一种新颖的由粗糙到精细的跟踪框架(Coarse-to-Fine Tracking,CFT)。本文的研究内容主要包括以下三个方面。第一,对基于Haar-like特征的视觉表示进行了研究。首先,分析Haar-like特征在梯度光照下的变化规律,提出了一种简化的光照观测模型。其次,基于光照观测模型,设计了一种新的规范化方法,用于改善Haar-like特征的光照不变性。最后,对Haar-like特征的编码能力和分辨力进行研究,提出了一种两阶段的特征选择方法,能够有效地筛选出有较强信息描述能力和分类辨别能力的Haar-like特征。第二,对目标跟踪算法的跟踪机制进行了研究。分析生成式和判别式两种表观模型的工作原理及优缺点,结合基于粒子滤波的粗跟踪和基于模式分类器的精跟踪,通过模拟人类视觉由粗糙到精细的搜索和识别机制,提出基于在线学习策略的CFT跟踪框架,将运算资源优化分配,有效提升了在多尺度挑战下的跟踪效率。第三,对判别式表观模型的训练和更新方法进行了研究。针对传统方法中多正样本导致的歧义性,提出加权重采样方法,有效改善了判别式表观模型的精度和分辨力。针对目标消失、快速遮挡、过度曝光和大面积阴影等特殊跟踪问题,设计了一种简单有效的自适应阈值方法,防止表观模型的错误更新。在大量富有挑战的标准图像集上对CFT进行了广泛的性能评估实验,结果表明与其它先进的跟踪算法相比CFT展现出优良的跟踪性能。