视觉目标跟踪(visual object tracking)是计算机视觉领域一个非常重要的分支。它指的是当给出确定的目标后在一系列视频序列中估计目标的轨迹和状态。目标跟踪有着诸多的应用领域,例如视觉监控、智能交通、人机交互以及视频压缩等等。在这些应用中,目标跟踪都是一个重要的环节。它所提供的信息通常都是这些视觉任务成功的关键。尽管在该领域的研究已经有了长足的进展,目标跟踪仍然存在着诸多挑战需要解决。举例来说,由光照、尺度和姿态变换、遮挡、运动模糊导致的目标外观变化以及背景干扰等因素都是跟踪过程中的常见挑战。这些因素会逐渐降低跟踪算法的准确性,最终可能导致跟踪失败。因此,提出鲁棒的跟踪算法来应对上述影响因素的干扰仍然有着非常重要的意义。在本文中,我们主要研究的是单目标跟踪。我们基于不同的外观模型提出了三种目标跟踪方法:(1)基于协同稀疏字典的目标跟踪;(2)基于局部核函数表征的目标跟踪;(3)基于深层流型学习的目标跟踪。相关的实验证明了我们提出的跟踪算法的有效性。