目标跟踪问题是计算机视觉领域的热点问题,在智能交通、人机交互、安防监控等方面都有非常重要的作用。目标跟踪的任务是在一段图像序列中对目标在每一帧图像进行定位,并且提供完整的目标区域,生成其运动轨迹。但是由于视频中遮挡、背景区分不明显、光照变化等的存在,使得目标跟踪在经过了数十年的研究发展后仍是一项艰巨的任务。而且在缺乏足量的训练样本时,传统的基于有监督学习的目标跟踪方法的性能会受到比较大的影响。半监督学习是机器学习研究领域的热点之一,它正是针对标注数据不足的问题提出的。对于许多学习任务来说,由于收集标注数据涉及到了专家知识,使得其成本很高。而收集无标注数据则相对容易,花费成本也更低。通过半监督学习,可以充分的利用无标注数据,大大减轻了对标注数据的需求。将半监督学习与目标跟踪相结合,则可以充分利用跟踪过程中获得的无标记样本,对模型进行优化,提高在标注数据有限情况下的算法准确度。本文针对复杂环境下的单目标跟踪问题,研究基于半监督学习的目标跟踪方法,提出并实现两个基于半监督学习的目标跟踪方法,分别为基于图正则模糊最小二乘支持向量机的目标跟踪方法和基于多视角协同学习的目标跟踪方法。(1)在基于图正则模糊最小二乘支持向量机的目标跟踪方法中,利用图正则来分别挖掘时间和空间结构信息,构建视频序列中的时空结构图,并将时空结构信息作为目标跟踪的约束条件,联合模糊学习,共同构建图正则模糊最小二乘支持向量机,并从对偶形式和表示定理两个角度对目标函数进行求解,实现目标跟踪算法。(2)在基于多视角协同学习策略中,在相关滤波框架下,利用多层深度卷积神经网络特征构建滤波器子模型,并提出两种自适应加权策略,为每个子模型自适应分配权重,对多个视角子模型进行加权组合,并采用标准化峰值对其跟踪可信度进行估计,实现对目标跟踪模型的联合表示,从而达到构建更加准确的表观模型的目的。通过对模型的协同学习决策,可以有效提高目标跟踪算法的性能。本文将提出的两种基于半监督学习的目标跟踪算法在OTB100数据集上进行了大量实验。实验结果表明,本文提出的目标跟踪方法在准确度和成功率方面有优秀的表现。