视觉目标跟踪是计算机视觉的重要研究领域,已广泛应用于视频监控、无人驾驶等领域。由于目标的内部变化(例如:尺度变化、快速运动)和场景的外部影响(例如:遮挡),目标跟踪仍然是一个极具挑战的问题。近年来,随着深度学习的发展,国内外学者展开了大量的研究和探索,基于深度学习的跟踪器在多个标准数据集上取得了良好的性能。然而,还存在以下问题尚未解决:目标跟踪算法中的特征、分类器以及其他模型快速鲁棒学习的问题;遮挡检测与处理的问题。因此,在目标跟踪阶段发生遮挡或剧烈表观变化时,可能会跟踪失败。针对上述问题,本文通过基于元学习的方法改善目标跟踪算法的快速鲁棒学习问题,并提出基于数据驱动的遮挡检测方法,进一步改进长时目标跟踪中的若干重要问题。主要从如下两个方面展开研究:(1)提出了基于元学习的定位感知和对抗特征引导的跟踪算法。首先,设计了一种基于交并比(Intersection over Union,IoU)引导的方法,以有效地平衡分类和定位精度问题。为了进一步提高分类器的鲁棒性,在离线训练阶段使用了对抗特征进行训练。这些对抗特征可以有效地指导分类器学习如何更好地应对判别力强的特征被遮挡或变化的情况。最后,受益于元学习的方法,上述两个部分仅需要在第一帧执行一次迭代更新,就能够很好地应对各种跟踪场景。(2)提出数据驱动的遮挡检测和模型协调的目标跟踪算法,该算法进一步对长时跟踪中的严重遮挡或目标消失问题提出针对性的解决方法。跟踪器以遮挡检测模块为核心模块,该模块基于数据驱动的方式进行学习,以保证其泛化能力。然后,该模块的输出结果被用于协调选择适当的目标表观模型、收集在线样本和决定重检测的时机等关键决策中。对以上算法在目标跟踪标准数据集OTB-2015,VOT-2016,VOT-2018数据集上进行实验并在精度、鲁棒性方面有了明显的改进。另外,第二部分的算法在VOT-2018 LTB35和GOT-10K数据集上也进行了测试,实验结果表明该算法在长时跟踪数据集上也表现良好,能有效应对遮挡和目标消失的情况。