近年来,目标跟踪技术已经成为计算机视觉领域的研究热点之一。本文总结了目前跟踪算法仍然存在的主要问题:一是仍然无法适用于所有的场景,当面临较复杂的实际环境时常常会出现跟踪漂移或失败的现象;二是日渐复杂的跟踪模型虽然带来精度的提升,但同时也造成训练参数过多、过拟合或跟踪速度慢等问题。因此,为进一步改善算法在不同挑战因素下的鲁棒性,本文首先对原算法中的空间正则化项进行自适应调整,使算法在背景干扰和目标变形等情况下的稳定性得以提升。然而由于深度特征的使用使得算法速度仍然过低,因此本文随后提出一种加速模型,有效提高了算法的处理效率,同时使用双重跟踪器保证其准确性。本文的研究成果和主要贡献如下:1.提出了一种基于自适应空间正则化项的相关滤波器跟踪算法。目前主流的DCF跟踪算法所采用的空间正则化权重函数,无法根据视频特性做出适应性调整,其权重值仅取决于像素点与目标位置的欧氏距离,因而无法有效区分同等距离的像素点中哪个是目标的可能性更高,为此本文将置信图引入权重函数当中。改进后的权重在每帧预测结束之后,使用置信图来更新权重值,从而能够根据当前的目标特征自适应更新惩罚函数,其效果为在非目标区域中与目标越相似的位置,惩罚权重值越小,反之越大。此外,通过设定的权重阈值可以控制期望抑制的非目标区域的大小,合适的阈值可使算法有效应对背景干扰的情况。通过在目标跟踪标准数据集上对算法进行验证,结果表明改进后的算法在目标变形下的成功率提高了4.2%,可有效应对背景干扰和非刚性目标变形的场景。2.提出了一种基于超限学习机和相关滤波器的鲁棒性目标跟踪算法。该算法在C-COT算法的基础上对其特征提取方式和置信图的寻优方法进行改善,主要解决因引入多通道卷积特征带来的滤波器参数过多、训练过程过慢以及跟踪结果易陷入局部最优值等问题。首先,利用双层稀疏自编码超限学习机代替原来的卷积神经网络,构建一种新的特征提取模型,由于自编码超限学习机具有训练速度远超深度网络、训练误差较小和随机特征映射的特点,因此该模型可在快速提取图像特征的同时保证特征代表性。其次,在特征提取模型之后添加在线序列极限学习机,二者组成一个跟踪器,该跟踪器输出一个表示目标概率的高斯图,通过求解高斯图在连续域的极值点可实现对目标位置的初始预测。再次,算法使用C-COT算法框架作为另一个跟踪器,不同之处在于,这里使用的多通道特征由新的特征提取模型所提取的图像特征、HOG特征和原始图像数据组成,并且算法采用提出的一种多跟踪器融合方法对置信图的最优值进行更精确的判定,该方法可避免跟踪结果陷入局部最优值。最后,在目标跟踪标准数据集上验证新算法的有效性,实验结果表明新算法的跟踪速度是C-COT算法的12倍左右,且对遮挡、运动模糊以及相似目标等有较强的鲁棒性,可有效地提高跟踪精度和速度。