基于计算机视觉的目标跟踪是指在连续视频序列中持续定位目标物体的过程,它在人机交互、安全监控、增强现实、医学影像和自主导航等多个领域都有紧迫的应用需求。近年来,随着实际应用场景的复杂度逐渐增加,目标跟踪算法所遇到的挑战也逐渐增大。照明变化、尺度及形态变化、快速运动、运动模糊、遮挡、消失和保持实时性等问题都对实现视频中目标的鲁棒跟踪带来了极大的挑战。因此,设计并实现针对复杂环境的实时的、鲁棒的目标跟踪算法具有很高的研究和应用价值。本文针对无人移动平台单目标长时间跟踪的问题,通过融合FHOG和Color Names特征,以及引入遮挡判断、学习率动态自适应和特征降维等方法,利用单独的尺度滤波器设计并实现了尺度及学习率自适应的核相关滤波算法,使得其拥有更强的目标外观表示能力、更好的应对目标尺度变化能力、更合理的模板更新策略,以及更高的实时性能。在此基础上,通过融合短期记忆滤波器、尺度滤波器、长期记忆滤波器和基于在线SVM的重检测器,设计并实现了融合检测的多滤波器核相关滤波算法,使得其不仅能够快速地确定目标位置和尺度,还能保留目标的历史外观“记忆”,在滤波模板不准确和目标被遮挡时重新搜索目标,以提升目标跟踪的鲁棒性。为了进一步解决移动平台目标被遮挡导致跟踪失败的问题,本文还设计了基于SVR的轨迹预测模块,其能够在出现严重遮挡后对目标轨迹进行准确预测,显著降低了移动平台在遭遇此种情形时的跟踪失败概率。本文围绕无人移动平台单目标长时间跟踪的难点,对核相关滤波算法进行了深入的研究和改进。此外,本文还在OTB数据集上分别从定性和定量两个角度对提出的两种目标跟踪算法进行了实验验证和数据分析,并将结果与一些传统的优秀算法进行了对比。实验结果表明本文提出的两种算法均具有的较强竞争力,同时也说明了通过结合多特征融合、尺度及学习率自适应、长时间跟踪等方法能够显著地提升在遭遇部分及完全遮挡、形态及尺度变化、照明变化和长时间跟踪等多种不利情况下核相关滤波算法的跟踪鲁棒性。这些提升为无人移动平台长时间单目标跟踪的应用研究提供一个更加坚实的算法基础。