基于可变形模型的目标跟踪算法因其能够处理目标部分遮挡及形变问题成为目标跟踪领域的研究热点。当目标发生形变或部分遮挡时，可变形模型跟踪器可利用未被遮挡的子块继续完成跟踪。现有基于子块的目标跟踪算法均为手动选取子块的个数和尺寸，但在实际应用中，很难为子块的选取提供人机交互的机会，且手动选取子块易受主观因素影响。针对上述情况，提出了一种采用多特征融合的子块自动提取方法，该方法首先采用基于人眼视觉注意机制对目标模板的显著性区域进行度量；其次，利用边缘方向离散度对目标的纹理丰富度进行度量；然后，融合上述特征获得联合适配性置信度，并根据目标的面积和宽高比自适应确定子块的个数和尺寸；最后，根据联合适配性置信度提取目标子块。实验结果表明，与现有手动选取子块的可变形模型目标跟踪方法相比，采用所提方法自动提取的子块可获得更高的跟踪精度。

针对目标跟踪算法在光照变化、背景干扰、目标形变及遮挡时出现的跟踪稳定性下降甚至失败的问题，提出了一种采用时空上下文的抗遮挡实时目标跟踪算法。首先，在时空上下文模型框架下采用自适应降维的颜色特征构建目标外观模型，提高算法在复杂场景中对目标的辨别能力；然后，联合置信图响应的峰值和峰值旁瓣比对目标跟踪的状态进行评估；接着，利用目标模板之间相关系数的变化进一步判断目标是否被严重遮挡；最后，当目标跟踪出现波动时，降低目标模型更新速度，并通过Kalman滤波修正目标位置，当目标被严重遮挡时，则根据Kalman滤波预测目标位置，同时停止更新目标模型，在脱离遮挡后重新捕获目标并进行跟踪。选取了36组具有多种挑战因素的彩色视频序列测试算法的跟踪性能，并与其他表现优异的目标跟踪算法进行了对比分析。实验结果表明，所提算法具有较强的抗遮挡能力，并且在光照变化、背景干扰和目标形变等不利因素影响下仍具有较好的跟踪鲁棒性，同时能够满足目标跟踪的实时性要求。

为了解决Capsule网络随着输入图像增大计算量和参数数量急剧增加的问题，对Capsule网络进行了改进并将其用于SAR自动目标识别（SAR-ATR）中。基于大脑视觉皮层以层级结构以及柱状形式处理信息的机制，提出了完全实例化的思想，并运用类脑计算对Capsule网络进行了改进。具体方法是：使用多个卷积层实现层级处理，同时使用了较少的卷积核，但每一层使用的卷积核数量随着层级加深逐渐增加，使得提取的特征更加趋于抽象化；在PrimaryCaps层中，Capsule向量由最后一层卷积层输出的所有特征图构成，使得Capsule单元包含目标局部或整体的全部特征，以实现目标的完全实例化。在SAR-ATR上，将改进的Capsule网络与原Capsule网络、传统目标识别算法和基于经典卷积神经网络的目标识别算法进行对比实验。实验结果表明，改进的Capsule网络训练参数和计算量大大减少，并且训练速度得到很大提升，在SAR图像数据集上的识别准确率较Capsule网络和前两类方法分别提高了0.37和1.96~8.96个百分点。