目标跟踪在计算机视觉的图像识别领域占据着越来越重要的地位。给定视频序列第一帧中目标的准确位置,目标跟踪算法需要学习目标第一帧的信息,并估计后续视频帧序列中目标的位置。现有目标跟踪算法普遍对目标前景外观模型较为敏感,当目标的前景外观模型不可靠时,这些算法普遍不能跟踪到目标。因此,本文提出采用选择性跟踪目标前景背景方法来进一步增强跟踪性能。本文针对当前目标跟踪算法中存在的问题,提出了一个选择性跟踪目标前景背景的目标跟踪方法。该方法是基于现有的相关滤波器模型,通过判断当前帧目标前景外观模型的可靠性,动态跟踪目标前景背景并指导估计目标位置。传统的相关滤波器模型将目标跟踪问题看作二分类问题,通过学习训练分类器区分目标的前景和背景。在此基础上,本文提出两种方法判断目标前景外观模型的可靠性:目标遮挡、目标周围存在大量相似物。在给定视频序列的第一帧,本文根据初始化相关滤波器作用到目标区域本身获取的响应值矩阵训练岭回归(Ridge Regression)分类器判断后续帧目标是否被遮挡。在后续帧序列中,本文通过岭回归分类器和当前帧响应值矩阵的分布判断当前帧目标前景外观模型是否可靠。若可靠,则使用空间正则化项对相关滤波器周边参数进行抑制,使其更关注目标的中心区域;反之对中心参数进行抑制,通过对目标背景的跟踪辅助估计目标位置。此外,本文使用高斯-赛德尔(Gauss-Seidel)对目标跟踪算法产生的二次函数最小化问题进行优化快速求解。本文在VOT数据集、OTB数据集和一些自然视频图像上与现有经典的目标跟踪方法比较,实验表明相对于传统的目标跟踪算法,本文提出的目标跟踪算法能更加准确得定位目标。尤其当目标前景外观模型不可靠时,现有算法很可能跟丢目标,而本文提出算法仍能够准确定位到目标。