视觉目标跟踪广泛应用于智能交通、安防监控、人机交互等多个领域，但跟踪的效果往往受到尺度变化、障碍物遮挡目标、目标发生形变、目标出视野范围、背景信息杂乱等因素的影响，因此如何克服跟踪时面临的诸多困难，实现快速鲁棒的目标跟踪仍然值得深入研究。该文在相关滤波目标跟踪算法基础上，从特征提取、样本融合、模型更新和尺度估计等几方面，提出以下三种改进算法：
　　首先，针对相关滤波跟踪算法因跟踪的目标尺度大小变化和被遮挡时发生跟踪漂移的问题，提出位置-尺度异空间协调的多特征选择相关滤波目标跟踪算法。该算法提取目标区域的快速方向梯度直方图特征、颜色空间特征和灰度特征，特征间的不同组合方式构成特征池以加强滤波器的判别性能。选择特征响应的鲁棒性得分最高的响应图来预测目标位置。转换坐标至对数极坐标中，使用相位相关滤波器进行目标尺度估计，并根据跟踪效果设计高置信度模型策略更新模板。
　　其次，针对相关滤波跟踪框架中快速运动带来的边界效应和遮挡情况下模板错误学习的问题，提出多特征联合时空正则化的相关滤波目标跟踪鲁棒算法。该算法提取目标区域的手工特征和单层深度卷积特征，并使用主成分分析法对特征降维。在相关滤波跟踪框架中加入时域和空域正则化项，对其进行优化求解，利用特征尺度池对跟踪目标进行自适应尺度估计。
　　最后，针对传统相关滤波跟踪框架受限于单分辨率特征和尺度估计不够精细的问题，提出基于卷积特征的多尺度估计和自适应响应融合目标跟踪算法。该算法通过学习连续域卷积算子实现对多分辨率卷积特征的融合，调整高斯标签参数以发挥深度特征的鲁棒性和手工特征的准确性优势。通过分解卷积操作、动态样本融合和模糊稀疏的模型更新提高算法速度，并根据预测质量评估标准自适应融合特征响应图。