目标跟踪一直是计算机视觉领域中研究的热点,涉及诸多的学科和理论。其中基于相关滤波理论的目标跟踪算法因其高实时性的同时还能保证跟踪精度的特点,引起了广大学者的关注。但受到光照变化、目标遮挡、目标自身形变等问题干扰时,相关滤波跟踪算法仍不够稳健。为了提高相关滤波跟踪算法在复杂场景下的跟踪性能,对其进行了深入研究,取得的成果如下:针对复杂光照干扰以及目标尺度变化导致的跟踪漂移问题,提出了一种多特征融合的尺度自适应相关滤波跟踪算法。首先,在位置预测阶段,利用Hue和梯度方向直方图两种特征和各自的位置滤波器作用得到的输出响应值自适应分配权重实现目标位置的预测。其次,在尺度预测阶段,通过在目标位置采集多尺度图像组成样本独立训练尺度滤波器,并根据样本的尺度滤波响应值对目标的尺度进行估计,使跟踪算法能够适应目标的尺度变化。最后利用两帧图像间的差异性自适应调整学习率进行位置滤波器的更新。实验结果表明,相较于其他经典算法改进算法的跟踪准确性更高。当目标尺度变化较大时,改进算法仍能稳定跟踪。针对因边界效应导致跟踪算法对遮挡、快速运动的干扰不够鲁棒的问题,提出了一种基于样本增强和交替方向乘子法的相关滤波跟踪算法。首先,通过增大循环移位样本的采集框并进行裁切处理,减弱边界效应的影响。然后引入交替方向乘子法进行模型求解的优化,并在模型的迭代求解中通过Sherman Morrison公式进行进一步优化。最后在模型的更新策略上设置一个遮挡判定机制来确定模型是否更新,提高抗遮挡能力。实验结果表明,相比于原始相关滤波跟踪算法,提出的改进算法在遮挡和快速运动的场景下的跟踪仍然可靠,算法的鲁棒性得到提高。