视觉目标跟踪技术作为计算机视觉与图像处理研究领域的重要组成部分,广泛应用于诸多领域。但随着应用场景复杂多样化、跟踪性能要求的精准化,如何在诸如目标形变、遮挡、快速运动以及背景相似度低、环境光照变化剧烈、观测视野狭窄甚至更为复杂的挑战因素条件实现高效实时、精确鲁棒的跟踪效果是目标跟踪技术的难点所在。基于深度特征表达的跟踪算法由于其网络层级复杂,图形计算处理开销巨大,同时需要大量的训练数据集,而无法很好地应用于如嵌入式等计算能力较弱的领域,因此基于传统的浅层特征提取与模板匹配的跟踪算法仍有重要的研究意义。本文主要研究了运动单目标的跟踪问题,从传统的特征压缩跟踪算法入手,针对由于目标运动形变带来的跟踪鲁棒性差、由于正负样本搜索采样盲目性导致的模板冗余和计算开销大等问题,提出了相应的跟踪算法。研究的主要内容包括以下两个方面。1、提出了一种增强尺度估计的特征压缩跟踪算法,针对在目标跟踪过程中,目标的尺度变大会引入更多的背景噪声,而在目标尺度变小时却采样不足,导致算法鲁棒性不强的问题,为实现复杂背景环境下可视目标的鲁棒跟踪,单独设置一个判别相关滤波器用于尺度估计,在线学习更新样本尺度,实时匹配最佳目标尺寸并更新特征采样块尺寸,对样本特征压缩降维并在线学习更新分类器参数,减小计算开销,提高跟踪稳健性。2、提出了一种基于卡尔曼滤波模型的目标运动轨迹预测策略的定向采样跟踪算法,通过限定前景与背景的正负样本采样域范围,极大的缩减了跟踪算法是候选目标样本和背景噪声样本的数量,解决了传统特征压缩跟踪算法的采样高冗余问题。通过适当增加约束后的采样域内的正负样本采样率,实现了算法实时性与跟踪精确度的双重提高。