目标跟踪是计算机视觉研究的一个重要方向,由于具有广泛的应用前景,如智能视频监控,人机交互,机器人等,吸引了国内外大量学者研究的热潮,但由于目标跟踪面临各种复杂因素,如何设计一个鲁棒的目标跟踪算法还需要不断地努力。近几年,由于深度学习(Deep Learning)的发展,基于深度学习的目标跟踪算法取得了很大的突破,但由于在目标跟踪中获取训练样本较少,需要大量数据离线训练深度模型,既耗时,且离线学到的特征表示不一定对在线的目标跟踪有益。同时由于实际数据往往存在噪声,基于深度模型学到的特征表示有可能存在与任务不相关的模式,影响算法的性能。针对上述提到的问题,本文提出了两种新颖的目标跟踪算法,本文研究的主要内容如下:1)提出了基于似物性采样和PCA卷积神经网络的目标跟踪算法。近几年基于深度学习(Deep Learning)的目标跟踪算法受到广泛关注,然而缺少训练样本成为最大的瓶颈,通过离线训练深度模型既耗时,且学到的基本特征表示不一定对在线目标跟踪有益。针对这个问题,本文提出了一种基于PCA卷积神经网络的目标表观模型,该网络不需要离线训练,卷积模板通过主成成分分析(PCA)算法在线学习得到,同时对学到的特征采用软阈值方法(soft-thresholding)获得更加鲁棒的稀疏特征表示。为了进一步提升跟踪算法性能,基于物体边缘轮廓信息的似物性采样方法计算目标物体的似物性分值,最后通过多线索融合机制估计出目标的最佳状态,并在常用的目标跟踪数据库(OTB-50)上做了实验分析,验证了算法的有效性。2)提出了基于似物性采样和阀门卷积深度网络的目标跟踪算法。目标跟踪算法的性能主要取决于物体表观的特征表示(包括特征学习和特征选择)。跟踪算法的一个通常假设是原始视频数据是没有噪声的,然而这个假设太过严格,尤其是在复杂的现实场景中,如果一开始就没有好的原始特征数据,有可能会降低算法学习的能力。针对这个问题,本文设计了一种新颖的基于阀门卷积深度网络的目标表观模型,该模型通过阀门机制能够选择与任务相关模式的特征,并且能够将特征学习和特征选择统一于同一框架。同时为了减缓目标发生“漂移”,融合了基于物体边缘轮廓信息的似物性采样方法来进一步提升算法的准确率,并在常用的目标跟踪数据库(OTB-50)上做了实验分析,验证了算法的有效性。