给定目标在初始帧的标注信息,视觉跟踪旨在预测其在后续帧的中心位置和大小。由于目标缺少足够的先验信息,同时在跟踪中容易受到运动模糊、形变和遮挡等因素干扰,从而产生复杂的外观变化,这些都为设计精确高效的视觉跟踪方法带来了巨大挑战。视觉跟踪的核心在于建立鲁棒高效的目标表观模型。由于缺乏目标的先验知识,因此如何利用场景中的时空上下文信息进行目标表观的建模尤为关键。时空上下文信息由时域和空域上下文信息两部分组成,其中时域信息包含历史帧跟踪到的目标、学习的分类器模型和样本的学习权重等内容;而空域上下文则定义为目标附近一定范围内的背景区域,不仅可以为表观模型的学习提供训练样本,同时能够增强视觉跟踪的稳定性。近年来,相关滤波（Correlation Filter,CF）跟踪方法凭借高效的计算效率得到了广泛研究,并取得主流跟踪方法的性能。然而,当前CF方法在利用时空上下文进行目标表观建模上仍存在不足:一方面,借助目标附近的空域上下文,CF方法可以通过图像金字塔策略实现目标的尺度估计,但却无法预测目标在跟踪中的宽高比变化,因此跟踪的准确度受到限制。同时,为缓解循环样本假设带来的样本边界不连续问题,CF方法采用余弦窗进行样本的预处理,但忽视了后者存在抑制空域上下文、污染训练样本的问题;另一方面,为应对目标在跟踪中的表观变化,CF方法借助历史帧的跟踪结果等时域信息更新模型,但不能同时实现高效率、低内存和自适应的更新策略。此外,如何在CF框架下自适应地借助时空上下文进行表观建模和跟踪,同样需要研究。基于此,本文基于相关滤波理论,通过研究时空上下文对表观建模的影响,设计鲁棒高效的跟踪方法。本文的创新点如下:（1）为解决CF方法不能处理目标的宽高比变化问题,提出结合边界和中心CF的跟踪模型。除通过中心CF定位目标位置外,借助空域上下文信息,设计多个边界CF分别对目标的四个边界位置进行预测,以灵活地应对目标的宽高比变化。为提升模型判别能力,提出一种近似正交正则化项,将所有CF集成到一个模型中同时学习。此外,提出一种优化算法求解模型,其中每个子问题均具有解析解,保证了算法的收敛速度。实验结果表明,相比于现有的尺度估计方法,提出的模型能够更好地处理目标的尺度和宽高比变化,同时在性能上超过主流的跟踪方法。（2）为解决CF框架中余弦窗组件存在抑制空域上下文、污染训练样本的问题,研究在CF模型中取消余弦窗的可行性和具体方法。首先通过实验验证了在空间正则化CF框架下去除余弦窗的可行性;接着在去除余弦窗的基础上,提出两种新的掩膜函数。通过对样本的估计误差进行重加权,掩模函数可以从空域上下文中选择合适的训练样本,以消除边界不连续样本对模型学习的负面影响。通过将提出的方法嵌入到多种典型的空间正则化CF框架中,实验结果表明,改进的空间正则化CF方法可以有效避免抑制空域上下文和污染训练样本,同时在性能上显著优于包含余弦窗的原始方法。（3）为解决CF方法不能同时实现高效率、低内存以及自适应的模型更新问题,从一个典型的CF方法出发,提出基于时空正则化约束的CF模型。通过提出的时域正则化项,算法能够自适应地将时域信息用于模型更新,从而得到鲁棒的CF模型。为实现模型求解,提出一种优化方法,能够实现CPU上实时的跟踪速度。此外,算法在跟踪时仅需要保存前一帧得到的模型,因此内存开销较低。多个数据集上的实验结果表明,算法能够同时实现高效率、低内存和自适应的模型更新,同时在性能上超过主流的视觉跟踪方法。（4）为解决CF方法不能自适应地借助时空上下文进行表观建模和跟踪的问题,提出一种自适应多时空上下文的CF框架。首先提出Sigmoid形式的空间权重函数,通过灵活地调整目标和空域上下文的权重约束值,以提升模型稳定性。接着将不同参数的空间权重函数分别集成到CF方法中,得到多个包含不同大小上下文区域的跟踪模型。在跟踪阶段,为自适应地借助时空上下文信息,将历史帧的样本学习权重作为时域约束项,提出了一种优化模型,不仅能预测目标位置,同时可为不同CF模型得到的跟踪响应图分配融合权重。实验结果表明,提出的方法能够自适应地借时空上下文进行表观建模和跟踪,并在性能上超过主流的跟踪方法。