视觉目标跟踪是计算机视觉领域一个十分重要且极其挑战性的研究课题。在军事制导、智能视频监控、机器人视觉导航和人机交互等方面有非常广泛的应用。经过多年的努力，虽然研究人员已经提出大量的跟踪方法，但是跟踪过程中目标自身的变化，例如姿态、微小形变等，和复杂场景，例如光照变化、遮挡等都会使目标与背景的区分度降低，导致目标跟踪性能衰退问题，迫切需要有效的新理论和跟踪算法。认知心理学研究表明人类视觉注意显著性机制（以下简称显著性）具有筛选和凸显感兴趣目标并抑制背景的能力。因此，研究适应视觉目标跟踪的显著性及其跟踪算法是必要的、可行的，具有重要的学术意义和应用价值。　　作为一种预处理机制，显著性为目标跟踪检测显著区域并提取目标。可是，界限模糊的目标和背景区域同样会导致跟踪性能降低问题。从特征角度，显著性特征筛选和凸显感兴趣目标的能力表现在对背景的高区分度、强判别力和自适应性。因此，针对目标自身变化和复杂场景等引起的目标跟踪关键问题，从建立特征目标模型和搜索定位机制、抑制和利用背景信息角度出发，我们分别提出最优选择局部区域特征对比度显著性特征均值漂移跟踪算法、自上而下评价修正局部时空显著性特征均值漂移跟踪算法、联合全局Context相关性显著性特征粒子滤波跟踪算法以及全局频域显著性特征和运动显著性特征选择粒子滤波跟踪算法。在目标自身变化和复杂场景下，通过多种实验对算法有效性进行验证。结果表明提出算法的显著性特征对目标和背景具有较好的区分度，能够有效改进跟踪性能。　　本论文主要研究工作和贡献如下:　　(1)总结现有视觉目标跟踪方法，指出存在的问题和显著性优势，针对目标跟踪对显著性特征的区分度、判别力和自适应性要求，探讨了基于视觉注意显著性目标跟踪方法值得深入研究的问题。　　(2)针对复杂场景目标变化引起的特征区分度降低问题，基于特征整合理论和对比度，提出一种基于紧邻区域特征对比度显著性特征均值漂移跟踪算法。　　在目标及其紧邻局部分别提取颜色、纹理和HOG（Histograms of Orientation Gradient)特征，计算区域直方图对比度。将这三种显著性特征利用AdaBoost组合分类器最优选择特征，显著性特征与多特征互补表示目标模型，凸显目标，满足跟踪算法对特征区分度、判别力的要求。实验表明该方法对目标外观变化有一定的适应性。　　(3)针对目标自身变化和复杂场景引起的特征区分度降低问题，从显著性特征时空特性和评价修正角度，提出一种基于自上而下评价修正局部时空显著性特征均值漂移跟踪算法。　　基于运动向量场，在当前帧，分别计算颜色、纹理和HOG区域特征对比度显著性并利用全搜索和块匹配算法获得运动显著性特征。考虑对比度显著性、运动显著性特征与上一帧目标模型特征相关性评价显著性特征并构建目标模型。经过修正后的显著性特征能有效降低背景区域增加对前景运动目标筛选和凸显能力，从而提高算法的跟踪性能。　　(4)针对复杂场景中存在Context共存运动对象目标特征区分度问题，从目标结构和互相关性角度，提出联合全局Context相关性显著性特征粒子滤波跟踪算法。　　利用目标自身结构相关性和Context共存对象运动相关性提取联合显著性特征，通过空间约束和特征空间变化计算粒子权重。显著性特征充分利用相关性信息对目标特征的区分度修正和增强，实验分析表明算法能有效改进由Context共存对象导致目标特征区分度降低问题。　　(5)针对复杂场景引起的特征判别力不能准确选择标记样本问题，从显著性特征加权的角度，提出一种全局频域显著性特征和运动显著性特征选择粒子滤波跟踪算法。　　基于一种全局频域显著性特征并提出运动显著性特征获取方法，利用当前帧目标和背景的特征分布设计评价函数修正显著性特征选择标记本，该方法计算简单、快速。在复杂场景下，通过与其他跟踪算法比较，结果表明该算法能够有效改进标记样本不准确导致的跟踪性能衰退问题。　　在复杂场景下，通过公共数据库和自拍视频进行对比实验，结果表明所提出基于显著性特征目标跟踪算法能够增加特征区分度凸显目标，同时在跟踪稳定性、鲁棒性上均有进一步改善。