目标跟踪是指给定一段连续的图像序列和初始帧中人们感兴趣目标的位置,利用算法自主在后续帧中连续地对目标物体进行定位的过程.目标跟踪因其实时定位物体的天然要求,在自动驾驶、智能安防、无人机应用、卫星遥感等诸多国民经济中的重要应用领域中有着非常重要的作用.近几十年以来,目标跟踪研究已经引起了科研人员广泛的兴趣,尽管现有的目标跟踪方法已经克服了该领域内的一些难题,并且取得了较大突破,但是在复杂环境下,目标物体周围的空间上下文带来了多种干扰,造成了许多亟待解决的问题,而这些问题目前正制约着目标跟踪算法性能的进一步提升.当前跟踪算法在在对目标进行位置判别时仅采用单一跟踪器,在复杂环境下受到周围信息的干扰后,缺乏有效的空间参照信息,在单一跟踪器盲目决策下容易造成定位偏移.而与此同时,目标物体在运动过程中难免受到严重遮挡或者光照剧烈变化等干扰情形,在这些条件下都会使物体外观模型产生显著改变.于是,在目前的研究中亟需一种简洁而有效的思路来应对这样的场景,从而使跟踪器在物体发生外观剧烈变化后能够检测这样的情形并加以处理以提升算法的鲁棒性.受图像分类任务的启发,当前目标跟踪算法普遍学习以正、负两类样本来获得对目标物体的判别能力,这在复杂场景下具有较弱的适应性,容易造成跟踪器发生定位偏移甚至目标丢失.另一方面,为了能够充分利用强化学习对物体运动信息的建模能力,有研究人员开始尝试研究基于深度强化学习的目标跟踪算法,然而在复杂环境下,物体可能在视频画面两个坐标轴上发生任意尺度改变,当前这类方法存在着对目标物体尺度估计不足的问题,需要一种更为良好的方案来补足强化学习跟踪方法在这方面的短板.本文针对以上目标跟踪领域中存在的几个问题,从空间信息学习的角度展开研究,提出了相应的解决方法,取得了一些有价值的研究成果.首先,本文提出了一种基于多尺度空间协同定位的相关滤波跟踪算法.在提出的算法中,跟踪器一共包含多个具有不同采样范围的子滤波器,接着,本文还提出了一种协同判别方法,根据各滤波器目标图像样本的空间响应进行判断,并联合地对目标进行在线定位.在此基础之上,本文进一步发掘相关滤波跟踪算法在复杂环境下的潜能,提出了一种融合多尺度空间视图的鲁棒相关滤波跟踪算法,在该算法中,本文提出了一种基于多尺度空间视图检测模型,该模型能够在目标运动过程中检测物体是否受到严重干扰.此外,本文还在该算法中设置了目标状态记忆机制,在检测到物体受到严重干扰时能够及时恢复物体的外观.在OTB目标跟踪基准上的大量实验表明,所提出的算法具有良好的性能.为了解决当前目标跟踪算法在采样方法上的不足,本文提出了一种基于度量相关和多类负样本的孪生网络跟踪算法,所提出的算法将负样本划为三个类别以更好地适应目标跟踪任务,此外本文利用度量学习思想结合傅里叶域下的岭回归方法,提出了一个度量相关模块,使得滤波器能够更好地学习目标和背景的判别信息.在OTB和VOT两个目标跟踪基准上的大量实验表明,所提出的算法在性能上优于当前主流的跟踪算法.为了解决当前强化学习跟踪算法在复杂环境下难以正确估计目标物体像素宽高比的问题,本文一种基于交并比估计的空间注意力强化学习跟踪算法,该算法利用深度强化学习确定目标物体的中心点位置,并引入交并比网络来实现边框估计.此外,为了在复杂环境下更有力地抑制背景噪声,本文引入基于深度学习的物体分割方法,并结合先验空间分布融合来形成最终的动态空间注意力.在OTB、UAV123和VOT这三种目标跟踪基准上的大量实验表明,所提出的算法在跟踪性能上达到当前先进水平.