视觉目标跟踪(Visual Object Tracking,VOT)是计算机视觉研究与应用中最核心和最具挑战性的工作之一,在人机接口、监控和安全系统、交通监控与控制、医疗诊断等领域有着广泛的应用,也是场景检测、行为识别等一些计算机视觉的高级研究课题中的重要组件。目标的颜色、形状、纹理等表观特征是视觉目标跟踪中重要的研究内容之一,很多学者在研究视觉目标跟踪方法时,都是从目标表观建模入手。为建立鲁棒的目标跟踪方法,本文对VOT方法的研究并不局限于目标表观建模方式,而是在常用视觉目标跟踪方法基础上,将VOT系统从功能上划分成运动模型、特征抽取、观察者模型、模型更新和联合处理5个部分,从目标跟踪系统的角度研究分析各功能部分的主要方法并加以改进,论文主要研究工作有如下几点:(1)在CVPR2016的VOT Benchmark数据集上,通过实验对比方式研究了VOT系统中5个组成部分的常用方法及其对视频目标跟踪性能的影响和贡献,提出了基于多特征融合的结构化相关滤波跟踪方法(FFBS-CF)方法。首先将被跟踪目标进行拆分,并将拆分后松散的部件空间关系应用到跟踪器中;然后提出特征融合框架,将被跟踪目标的整体颜色统计特征融合到跟踪器中,使用部件空间关系和目标整体颜色统计特征组合起来进行目标跟踪。(2)基于上述思路实现了FFBS-CF方法,并在CVPR2016的VOT Benchmark的测试数据集上对该方法的可行性和有效性进行了验证,并与MOSSE、KCF和DSST算法在特定情况下的跟踪进行了实验对比分析。实验结果表明:FFBS-CF的性能在整体上优于MOSSE方法;在遮挡、运动模糊、表观形变和快速运动现象发生时,性能略优于KCF和DSST方法;在剧烈光照变化时,因为FFBS-CF跟踪器中颜色模板的L分量失真,其性能不如KCF和DSST方法;由于FFBS-CF目标搜索框恒定,在目标尺度剧烈变化时,会引入多余的背景或丢失部分目标表观特性,也会导致性能降低。(3)将FFBS-CF方法应用到智能交通系统(ITS)的行人和车辆的跟踪,并与MOSSE、KCF和DSST算法相比较。结果表明FFBS-CF方法增强了系统对复杂环境的整体适应能力,但是在目标表观被遮挡物分割后,性能则有所下降,因此FFBS-CF方法仍然有较大的优化和改进空间。