视觉目标跟踪是计算机视觉领域的重要课题。面对跟踪过程中来自自然场景多种复杂变化的干扰,当前视觉跟踪算法由于其普遍采用的模型驱动模式的固有缺陷,算法的准确性和鲁棒性与实际应用需求还有较大差距。分析了基于模型驱动的视觉跟踪算法框架,通过实验发现视觉跟踪各阶段由模型生成的数据对于外在的场景变化和内在的目标形变有直接体现,以此为基础,研究了数据驱动在视觉跟踪中的可行性和实现方法,区别于模型驱动中数据的被动模式,数据驱动方式利用数据流对系统当前状态的反映,通过定义一系列基于基本数据流的质量指标,为模型构建和更新提供真实可靠的判断依据,通过模型驱动与数据驱动的结合,实现跟踪模型对复杂变化的动态调整,从而提高跟踪算法性能。以基于中层特征的视觉跟踪算法为研究对象,实现了数据驱动与模型驱动相结合的视觉跟踪算法。从局部特征的自适应选择角度出发,针对传统特征选择算法基于历史帧的信息滞后问题,提出了基于当前帧信息的自适应子块选择的跟踪算法ASST。在ASST中用于表观描述的子块在跟踪过程中根据判别性和唯一性进行筛选,动态组合参与目标定位。实验证明ASST的自适应子块选择机制有效避开了跟踪中不利于目标定位的区域,保证了跟踪结果的准确性和应对长时遮挡和局部形变的鲁棒性。从特征权重和学习率的自适应调整的角度出发,针对特征选择潜在的描述信息过少问题和模板更新阶段的动态性缺乏问题,提出了自适应权重的动态表观跟踪算法AAMT。AAMT将ASST中子块是否参与目标定位的“硬阈值”改为以可变权重控制的“软阈值”,并制定了基于模板变化率和允许更新率的动态模板更新策略,赋予表观描述更具“弹性”的控制。实验表明,AAMT算法的自适应权重的动态调整机制在应对快速遮挡、光照、形变等复杂变化时具有良好的适应性。