视频目标跟踪是计算机视觉领域的基础子问题,在军事和民用领域都具有重要的应用价值。由于跟踪场景中存在各种干扰因素（如遮挡,模糊,光照变化等）以及目标运动过程的随机性等,设计跟踪精度高,速度快和鲁棒性强的跟踪器存在着巨大的挑战性。近年来,各种基于机器学习和深度学习的跟踪算法被提出,这些方法旨在设计一个具有鉴别力的目标外观模型,用于在候选区域估计跟踪目标状态。其中,基于核相关滤波的跟踪算法和基于孪生网络的跟踪算法由于在跟踪速度和跟踪精度之间取得较好的平衡,引起了研究人员的广泛关注。核相关滤波跟踪算法为了使用傅里叶变换,假设训练样本具有周期性,在边界引入了假样本,产生边界效应,导致滤波器退化。空间正则化相关滤波算法为了解决边界效应引入了空间正则化项,但其正则化的惩罚系数在目标区域不平衡,容易导致滤波器学习到扭曲的外观模型。此外,由于该算法是一种在线学习算法,容易对当前帧过拟合。孪生网络跟踪算法则存在样本不平衡问题,细节-语义不平衡问题以及训练-测试域不平衡问题,导致算法的鉴别力和鲁棒性较差。本文基于鉴别式外观模型框架,以提高观测模型的学习和适应能力,以及鲁棒性为研究目标,具体的研究内容和创新如下:（1）提出了一种基于可靠空间正则化相关滤波的目标跟踪算法,该方法对空间正则化相关滤波算法中的空间正则化策略进行了改进,来解决目标区域的正则化惩罚系数不平衡问题,防止滤波器学习到一个扭曲的目标外观模型。此外,还引入一个空间变异率正则化策略,来减少滤波器对当前帧过拟合。最后,采用了交替方向乘子法来对滤波器进行迭代式优化求解。实验结果表明,提出的算法对复杂背景、运动模糊和遮挡等挑战性问题有更高的精度和鲁棒性。（2）提出了一种基于平衡孪生网络的目标跟踪算法,该方法对孪生网络跟踪算法中的损失函数和特征进行了改进,通过调整训练样本的权重来解决训练样本数量不平衡问题并设计了一个多层特征融合模块来解决细节-语义特征不平衡问题,从而引导网络学习更具鉴别力的特征,提升算法的鲁棒性。实验结果表明,提出的算法对尺度变化、平面内旋转和突变运动等挑战性问题有更高的精度和鲁棒性。（3）提出了一种基于引导域适应孪生网络的目标跟踪算法,该方法设计了一个引导域适应模块,该模块能够根据孪生网络中模板分支的特征图调整搜索分支相应的通道权重,从而缩小训练集泛化域与测试视频特定域的域差异,来增加网络的适应能力。实验结果表明,提出的算法对运动模糊、低分辨率和背景复杂等挑战性问题有更高的精度和鲁棒性。