随着计算机技术的发展,目标跟踪作为计算机视觉的热门课题得到了广泛的研究和发展。在视频或图像序列中,给定初始帧感兴趣目标的状态(例如,位置、尺度),目标跟踪的任务是估计出视频每一帧目标的轨迹,能够用一个图形(例如,矩形框)表示出该目标的状态。视频目标跟踪可以应用于运动识别、无人机监控、人机交互、自动驾驶以及其他摄影测量和计算机视觉领域。然而,精确、鲁棒地对感兴趣目标进行跟踪具有很大的挑战。主要原因如下:1)复杂的跟踪场景。目标在跟踪过程中会碰到许多挑战性因素,例如:目标遮挡、尺度或光照变化、形变、背景复杂、目标运动模糊或快速、真实数据的低分辨率等。然而很难实现一个跟踪算法全部解决这些挑战性因素。2)有限的先验知识。在整个视频或图像序列中,仅仅给出了初始帧目标的位置和尺度大小,没有其他的先验知识。在目标跟踪过程中,随着各种挑战性因素的影响以及跟踪误差的积累,很容易造成跟踪漂移。如何利用有限的先验知识,克服跟踪过程中的挑战性因素,得到精确、鲁棒的跟踪算法是一个亟待解决问题。针对上述问题,本文围绕相关滤波器和在线学习构建了一个跟踪框架用于目标跟踪。研究的主要内容包含2个方面:1)多特征融合的目标跟踪算法。本文针对目标运动的连续性特点,采用一种局部区域稠密采样的方法,提取搜索区域的多种特征训练相关滤波器进行目标跟踪。2)基于相关滤波和在线学习的目标跟踪方法。基于判别相关滤波的跟踪器在某些挑战性因素下往往发生跟踪漂移或失败的情况。本文设定一个阈值判断跟踪不准确的情况,当目标跟踪不准确时,利用在线学习的方法进一步计算目标当前帧的位置。本文采用OTB数据集中的视频数据对本文的方法进行实验,同时与其他几种目标跟踪算法进行实验对比,验证了本文方法的有效性。实验表明本文算法相比其他的一些算法能够解决跟踪过程中遇到的遮挡等挑战性因素,并且取得很好的跟踪结果。