目标跟踪是研究如何让计算机像人眼一样，估计视频中指定目标的位置和状态。在许多领域中，目标跟踪的研究都具有非常重要的意义。由于视频中存在着光照变化、遮挡、背景杂乱、低分辨率、低对比度、尺度变化等场景，采用多个模型的跟踪算法可以减少因为小的错误更新越积累越多带来的跟踪错误。使用熵最小化准则的多模型跟踪算法综合利用跟踪器以及其历史版本形成模型集，并通过最小损失准则选择最佳模型进行跟踪而避免模型漂移。　　在使用熵最小化准则的多模型跟踪算法中，图像块经过固定的特征映射方法，得到固定维度的二值向量。对于目标和背景较为相似的视频，这种方法无法将目标和背景有效地区分开。提出了具有适应性的特征映射方法，在视频的第一帧，首先判断目标和背景的相似性来确定特征通道映射的维度，然后在其后的每一帧，在每个特征通道上都使用K-Means方法确定该通道特征映射的参数。这种方法能够大大提高目标和背景的区分度。　　使用熵最小化准则的多模型跟踪算法每一帧都用新的训练样本来训练SVM分类器，这样经过长时间之后多个模型可能都被污染而产生模型漂移。本文对模型的更新做出限制，加入第一帧的先验知识和审查制度，在使用新的样本之前，首先对更新之后的分类器做一个判断，如果此次更新之后的模型和之前比较相似，并且此次更新之后的模型和初始模型极不相似，那么不进行此次更新。这样能够尽可能的避免不必要的模型更新带来的模型漂移。　　实验证明，在多模型框架的基础上，使用具有适应性的特征映射方法和模型更新审查制度的跟踪算法，在低分辨率、低对比度、遮挡等情况下具有很好的鲁棒性。