视觉目标跟踪是计算机视觉领域中的研究热点之一。在视频监控、人机交互、智能交通、视频检索等领域具有广阔的应用前景。虽然经过人们在目标跟踪领域几十年的研究,目标跟踪技术已经有了长足的发展,但是实现复杂场景中对任意目标进行稳定、准确的跟踪仍然有很多理论与技术问题亟需解决,特别是跟踪过程中的遮挡、背景干扰、目标的复杂运动和目标形状与表观变化等。本文从解决上述问题的角度对复杂场景下目标跟踪的关键技术进行了研究,分别在表观模型、贝叶斯跟踪、判别式的跟踪等方面取得一些创新的研究成果。论文的主要贡献归纳如下:　　 ①为了提高均值漂移算法颜色直方图表观适应复杂场景下跟踪的能力,我们提出了一种基于视觉关注加权的均值漂移目标跟踪方法,将基于运动信息的动态关注度和基于KL变换处理的静态关注度结合起来提高跟踪区域直方图对目标的表达能力,同时为了提高算法对部分遮挡的鲁棒性,采用了交互式的贝叶斯滤波技术,提高了跟踪的性能。　　 ②我们提出了一种黎曼度量的鱼群优化贝叶斯目标跟踪方法。从对基于协方差表观的贝叶斯跟踪方法存在的问题出发,提出采用人工鱼群算法优化粒子滤波的粒子,使得粒子更多的处于高似然度区域,提高了粒子的采样质量,缓解粒子的退化与贫化问题。目标的相似度计算采用了协方差算子黎曼度量,这种表观模型的表达提高了算法对目标跟踪中目标表观的变化以及复杂背景环境的影响。在处理部分遮挡的问题中,采用了分块的结构,这提高了算法对部分遮挡的鲁棒性,这几部分合理的融合存一起形成完整的黎曼度量下的鱼群优化贝叶斯目标跟踪方法。　　 ③我们提出了一种最大置信度提升算法目标跟踪方法,最大置信度提升算法把传统的自适应提升算法从确定性标签推广到了非确定性标签,是一种推广的半监督学习方法,不但将新加入的样本看作是无标签的样本来处理,而且利用了非确定性标签数据,从而保证了跟踪过程中特征更新的正确性,提高了目标与背景的分类精度,有效的避免了判别式跟踪方法由于分类误差而带来的累秋误差。在理论上,我们深入的分析了最大置信度提升算法,并通过理论证明了化统的自适应提升算法是最大置信度提升算法的一种特例,这也扩展了自适应提升算法的应用范围。　　 ④针对集成跟踪方法由于分类器误差积累带来的错误更新导致跟踪漂移问题,我们提出了一种辅助子空间更新的自适应随机森林集成跟踪法。随机森林嵌入到集成跟踪框架,并采用了自组织的多视角融合的方式米得到更准确的置信度图,提高了分类器的分类精度,而子空间学习的更新方法则可以辅助分类器的更新,减少分类器错误的特征更新,维持分类器具有较高的判别性能。