随着计算机视觉技术的发展,目标跟踪技术作为其中一项研究热点,在医学诊断系统,智能交通,机器视觉,行为识别等领域都有着广泛的应用。虽然,近些年国内外专家学者对目标跟踪技术贡献了各种各样的算法,但由于复杂多变的目标跟踪应用场景,依然面临着诸多挑战,例如:运动模糊,低分辨率,平面内（外）反转,物体遮挡等。这些挑战使得现有目标跟踪技术的跟踪效果与专家们的预期还有一定的距离。因此,如何提高跟踪技术的效率和稳定性依然是当下的研究热点。本文针对目标跟踪过程中目标和背景不断变化的特点,利用TRL迁移表征学习的特征迁移能力,从提高跟踪器对变化特征适应性的角度构建目标跟踪系统,主要展开的工作如下:1)第一个工作是在基于判别式的目标跟踪系统中引用迁移表征学习来构建目标跟踪系统的特征模型。所提特征模型可以利用迁移表征学习中最小化目标特征的分布距离对随着时间变化的目标和背景图像块进行特征迁移学习,使得未知帧中的目标特征与已知帧中的目标特征的分布距离最小化,从而为跟踪器的分类模型提供了稳定可靠的目标特征表达。并且,不同于模型迁移,特征迁移可以不拘泥于分类器的性能,使得目标跟踪系统具有更加充分的选择空间。另外,本文采用了动态样本更新策略来进一步提高跟踪器的鲁棒性。2)第二个工作是以所提特征模型为基础,利用基于TSK模糊系统的迁移表征学习算法来进一步提高跟踪器特征模型对图像特征的表达能力。所提方法利用TRL-TSK-FS的特征学习能力,为跟踪器提供了紧凑的、具有知识迁移特性且具有良好辨别能力的共享特征空间。另外,为了融合目标跟踪对于时效性的要求,本文优化了TRL-TSK-FS中对于目标域和源域特征之间最大均值化差异构建的设定。然后,利用高斯朴素贝叶斯分类器在共享特征空间中对目标与背景进行快速划分。在OTB所提视频跟踪数据集上对本文所提的方法进行了实验分析和验证,结果表明本文所提跟踪器较之于现有算法具有显著优势。3)第三个工作是利用ELM-AE和迁移表征学习构建的目标跟踪系统。在第二项工作的基础上,针对TSK-FS规则数过高会导致跟踪器时效性不足的问题,本文利用ELM-AE对复杂图像特征的快速学习能力,对所提目标跟踪系统的特征模型进行改进。再利用TRL的特征学习能力提高随机特征空间的自适应性。并采用动态样本更新策略提高跟踪器的稳定性和实效性。算法在OTB所提的11项目标跟踪挑战场景中进行了大量实验分析和验证,从实验结果可以看出,本文所提的目标跟踪算法较现有目标跟踪器具有明显优势。